807 LSK 807. Park's of Hamilton. Type Volvo B11RLET Plaxton Panorama Previous reg YX69 KZA. Features USB-A. History; Flickr

2025年1月21日 · 这是南开大学在ICCV2023会议上新提出的旋转 目标检测算法，基本原理就是通过一系列Depth-wise 卷积核和空间选择机制来动态调整目标的感受野，从而允许模型适应不同背景的目标检测。 论文地址： https://arxiv.org/pdf/2303.09030.pdf. 代码地址（可以直接使用mmrotate框架实现）： GitHub - zcablii/LSKNet: (ICCV 2023) Large Selective Kernel Network for Remote Sensing Object Dyetection. 目前基于旋转框的遥感影像目标检测算法已经取得了一定 …

LSKNet可以动态地调整其大空间感受野，以更好地建模遥感场景中各种物体的测距的场景。 据我们所知，这是首次在遥感物体检测领域探索大选择性卷积核机制的工作。 在没有任何附加条件的情况下，我们LSKNet比主流检测器轻量的多，而且在多个数据集上刷新了SOTA！ HRSC2016 （98.46% mAP）、 DOTA-v1.0 （81.64% mAP）和 FAIR1M-v1.0 （47.87% mAP）。 近期很少有工作考虑到遥感图像中存在的强大的先验知识。 航空图像通常是以高分辨率的鸟瞰视角拍 …

2023年10月26日 · LSKNet在多个数据集上刷新了 SOTA，HRSC2016（98.46% mAP）、DOTA-v1.0（81.64% mAP）和FAIR1M-v1.0（47.87% mAP）。 想在自己的遥感数据集上试试效果。 情况说明：博主是在服务器上训练的，因此在环境的安装上会比代码给出的简单安装流程稍微困难一点，论文和代码链接： Paper. 代码基于MMrotate实现，因此熟悉MMrotate的相关使用方法训练会进行的更顺利一点。 MMRotate依赖于 PyTorch， MMCV 和 MMDetection。 以下是安装的快 …

2024年12月27日 · LSKBlock通过不同大小的卷积核提取多尺度特征，捕捉局部细节和全局上下文信息。 模块 包含一个特征选择机制，能够根据任务需求动态选择重要特征，抑制不重要的特征。

2024年4月11日 · 本文考虑了这些先验知识，并提出了一种轻量级的大选择性核网络（LSKNet） Backbone 网络。 LSKNet可以动态调整其大的空间感受野，以更好地模拟遥感场景中各种目标的范围上下文。 据作者所知，在遥感图像中尚未探索过大型选择性核机制。 作者的轻量级LSKNet没有花哨的装饰，就在标准的遥感图像分类、目标检测和语义分割基准测试中设立了新的最先进的成绩。 作者的综合分析进一步验证了所识别先验的重要性及LSKNet的有效性。 遥感图像由于其复 …

2024年7月8日 · 性能优越：LSKNet在标准基准数据集上取得了新的最先进成绩，如HRSC2016、DOTA-v1.0和FAIR1M-v1.0，证明了其在遥感目标检测任务中的卓越性能和有效性。 极化滤波（Polarized filteringPolarized）：在通道和空间维度保持比较高的分辨率（在通道上保持C/2的维度，在空间上保持 [H,W]的维度 ），进一步减少低分辨率、低通道数和上采样造成的信息损失。 增强（Enhancement）：采用细粒度回归输出分布的非线性函数。 …

2023年7月17日 · LSKNet可以动态地调整其大空间感受野，以更好地建模遥感场景中各种物体的测距的场景。 据我们所知，这是首次在遥感物体检测领域探索大选择性卷积核机制的工作。 在没有任何附加条件的情况下，我们LSKNet比主流检测器轻量的多，而且在多个数据集上刷新了SOTA！ HRSC2016（98.46% mAP）、DOTA-v1.0（81.64% mAP）和FAIR1M-v1.0（47.87% mAP）。 近期很少有工作考虑到 遥感图像 中存在的强大的先验知识。 航空图像通常是以高分辨率的鸟 …

In this paper, we take these priors into account and propose the Large Selective Kernel Network (LSKNet). LSKNet can dynamically adjust its large spatial receptive field to better model the ranging context of various objects in remote sensing scenarios.

采用在ImageNet上预训练了100个epoch的LSKNet-T主干 提出的LSK模块的空间选择中，对最大池和平均池的有效性进行消融研究 当大卷积核被分解为两个深度内核的序列时，LSKNet的关键设计组件的有效性消融实验。