遥感图像目标检测在军事侦察、资源调查等领域具有重要价值。然而，由于成像传感器、气候条件及地理环境的差异，源域与目标域之间存在显著的域偏移，导致模型泛化性能下降。本文提出一种基于 FFCA-YOLO 的遥感小目标域适应检测方法（DA-FFCA），通过改进数据增强和伪标签分配机制，在不依赖源域原始数据的情况下，显著提升模型在目标域上的检测精度。
源域与目标域的差异在特征稀疏的小目标上尤为明显，传统方法在实际部署中面临数据获取与特征丢失的双重挑战。
成像传感器、气候及地理环境的差异导致源域（有标注）与目标域（无标注）之间存在域偏移，小目标对此极其敏感。
通常需要同时访问源域和目标域数据，但在实际部署中，往往仅能获得预训练模型和无标注的目标域数据。
现有的随机增强容易丢失小目标特征，且固定阈值的伪标签筛选难以应对遥感场景的长尾分布和多尺度变化。
基于均值教师框架，创新性地提出了多粒度自适应伪标签分配器 (MG-SPA) 和小目标感知的风格自适应增强模块 (SO-SAAM)。
构建三级阈值体系：模型级全局阈值（采用截断均值抗噪）、类别级局部阈值（缓解长尾分布）、实例级空间调制（根据面积动态微调），生成高质量伪标签。
包含约束式自适应实例归一化 (C-AdaIN) 防止特征扭曲，以及特征级小目标掩码保护机制 (F-SOMP)，确保小目标区域保留原始特征统计量。
综合类别置信度、全局截断均值与实例面积，实现对不同类别、不同尺度目标的自适应筛选标准。
利用掩码 M_feat 区分背景与小目标，背景接受风格增强，小目标保留原始特征，强化风格多样性并保护结构。
在跨卫星、无人机到卫星、虚拟到真实三类场景下，DA-FFCA 均展现出卓越的检测精度与轻量化优势。
| 迁移场景 | Baseline | SFA | EPM | SFYOLO | DA-FFCA (Ours) |
|---|---|---|---|---|---|
| xView → DOTA (跨卫星) | 50.9% | 53.7% | 54.8% | 52.5% | 63.8% |
| CARPK → UCAS-AOD (无人机→卫星) | 55.3% | 66.1% | 65.0% | 60.4% | 67.3% |
| GTAV10K → UCAS-AOD (虚拟→真实) | 57.8% | 64.9% | 71.2% | 60.7% | 72.2% |
DA-FFCA 成功解决了遥感图像长尾分布下的伪标签质量问题与风格迁移中的小目标特征丢失问题。
在跨卫星、无人机-卫星、虚实转换三类场景中均表现稳定，mAP 提升幅度达 12.0%~14.4%，有效应对了长尾分布与多尺度变化。
模型参数量极小（仅 7.1 M），推理速度极快（107 FPS），计算量低（51.2 G FLOPs），非常适合在资源受限的实际环境中部署。
为利用低成本合成数据（如 GTAV 引擎生成的虚拟数据）训练高性能遥感检测模型提供了可行路径，大幅降低了数据标注成本。