AAAI LWGANet：遥感图像小目标检测轻量化！

AAAI LWGANet：遥感图像小目标检测轻量化！ AAAI 2026 年的新 Paper《LWGANet》，专门解决 遥感图像处理中的两大顽疾。作者提出了一种超轻量级的骨干网络，不仅参数少，还在多个任务上刷出了 SOTA！ 论文原文 ：https://arxiv.org/abs/2501.10040 代码：https://github.com/AeroVILab-AHU/LWGANet 即插即用代码仓库：https://github.com/AITricks/AITricks 1️⃣ 核心痛点：冗余！ 遥感图像和普通照片不一样，存在以下问题： 空间冗余：一张图里 90% 都是海面、森林这种无用的背景，真正的目标（车、船）只占一点点。 通道冗余：目标尺寸差异极大（大到机场，小到汽车），用同一套特征去套所有目标，效率太低。 2️⃣ 核心架构：LWGANet 为了解决上面两个问题，作者设计了 LWGANet。 它不是简单的魔改 MobileNet，而是专门为遥感场景定制的。它抛弃了“全图扫描”的笨办法，主打“只看重点”和“分而治之”。 3️⃣ 空间魔法：TGFI （全局特征交互） 针对“背景太大”的问题，设计了全局特征交互模块。 原理：它像一个筛选器，自动计算出图像里哪些区域是重要的（Top-K），只对这些区域进行精细处理。 效果：大大减少了无效计算，让算力都花在刀刃上，只关注有物体的区域。 4️⃣ 通道魔法：LWGA （分组注意力） 针对“目标大小不一”的问题，作者设计了 LWGA (轻量级分组注意力) 模块。 原理：把特征通道分成几组，每组专门负责不同的尺度，最后再拼起来。 效果：无论飞机还是小汽车，都能清晰捕捉，完美解决了尺度混乱的问题。 5️⃣ 实验结果：小身板，大能量 根据论文在 DOTA、ISAID等 12 个主流数据集上的表现： 参数更少：相比于 MobileNetV3、ShuffleNetV2 甚至 Swin Transformer，LWGANet 的参数量和计算量都更低。 精度更高：在 DOTA 数据集上，mAP 指标显著超越了其他轻量级模型；在场景分类任务上，准确率全面领先。 可视化分析：从热力图可以看出，LWGANet 能精准聚焦在目标物体上，证明了 Top-K 策略的有效性。 总结：如果你在做 遥感检测、航拍分析 或者 边缘端部署！ #深度学习 #计算机视觉 #科研 #算法 #遥感图像 #论文 #论文分享 #科研日常 #创新点实现