LSK & SCLK 4 •Used in ET UTC and in ET SCLK conversions. –Subroutines using LSK: STR2ET, TIMOUT, ET2UTC, etc. –Utility programs using LSK:spkmerge,chronos,spacit, etc. •Use FURNSH to load it. •NAIF updates the LSK when a new leap second is announced by the International Earth Rotation Service (IERS).

o Clearance: CL#05-2438 o Site Manager: Boris Semenov o Webmaster: Ron Baalke o Last Updated:

2025年1月21日 · LSKNet 是主干网络中的一个可重复堆叠的块（Block），每个LSK Block包括两个残差子块，即大核选择子块（Large Kernel Selection，LK Selection）和前馈网络子块（Feed-forward Network ，FFN），如图8。

Without bells and whistles, our lightweight LSKNet sets new state-of-the-art scores on standard remote sensing classification, object detection and semantic segmentation benchmarks. Based on a similar technique, we rank 2nd place in 2022 the …

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 …

2024年1月30日 · 近期，南开大学在计算机视觉领域提出了一种名为 LSKNet 的新型遥感旋转目标检测方法，该方法引入了 Yolov 引入ICCV，并通过LSKblockAttention技术实现了对小目标的有效检测。LSKNet的出现为遥感图像目标检测领域带来了新的技术突破。

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 …

2025年2月4日 · 本文记录的是 利用 大核选择模块LSK 优化 YOLOv11 的目标检测网络模型。 在大尺寸图像中的小目标检测任务中，一直是个难题，无法仅基于外观实现较好的识别，因此需要广泛的 上下文信息进行辅助。 但不同物体所需的上下文信息范围不同，为了更好地对这些特性进行建模，本文利用大核选择模块 二次创新C3k2，==使模型能够产生具有各种大感受野的多个特征的同时，动态地根据输入调整模型的行为，使网络更好地适应图像中不同物体的检测需求。 == 专 …

2024年10月7日 · 《Large Separable Kernel Attention》 这篇论文提出的 的机制原理是针对传统大核注意力（Large Kernel Attention，LKA）模块在视觉注意网络（Visual Attention Networks，VAN）中的应用问题进行的改进。 LKA模块在处理大尺寸卷积核时面临着高计算和内存需求的挑战。 LSKAttention通过以下几个关键步骤和原理来解决这些问题： 核分解：LSKAttention的核心创新是将传统的2D卷积核分解为两个1D卷积核。 首先，它将一个大 …