2025年1月21日 · 为了解决上述问题，作者提出了一种新的遥感影像目标识别方法，即Large Selective Kernel Network (LSKNet)。 该方法通过在特征提取模块动态调整 感受野，更有效地处理了不同目标所需的背景信息差异。 其中，动态感受野由一个空间选择机制实现，该机制对一大串Depth-wise 卷积核所处理的特征进行有效加权和空间融合。 这些卷积核的权重根据输入动态确定，同时允许模型针对空间上的不同目标自适应地选择不同大小的核并调整感受野。 经验 …

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.

2023年7月17日 · 在本文中，我们将这些先验因素考虑在内，并提出了Large Selective Kernel Network（LSKNet）。 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 …

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10月7日 · Without bells and whistles, our lightweight LSKNet backbone network sets new state-of-the-art scores on standard remote sensing classification, object detection, semantic segmentation and change detection benchmarks. Our comprehensive analysis further validated the significance of the identified priors and the effectiveness of LSKNet.

LSK module使用了空间注意力选择不同大小核的提取的特征。 LSKNet Blocks以及module里的梯度流是否最佳？ 有些tricks可以参考： EMA ， Multi-level Ensemble ，对于DOTA-1.0和FAIR1M-v1.0数据集缩放后的图像裁剪为1024×1024个子图像，补丁重叠500像素。

LSKNet can dynamically adjust its large spatial receptive field to better model the ranging context of various objects in remote sensing scenarios. To our knowledge, large and selective kernel mechanisms have not been previously ex-plored in remote sensing object detection.

2024年7月8日 · LSKblock Attention：LSKNet引入了LSKblock Attention作为一种注意力机制，通过空间选择性机制动态调整感受野，以更有效地处理不同目标类型的广泛上下文。 这种机制允许模型根据输入自适应地确定大型核的权重，从而在空间维度上调整每个目标的感受野。 大型选择性核网络：LSKNet是首个在遥感目标检测领域探索大型和选择性核机制的模型。 它通过加权处理大型深度核的特征，并在空间上将它们合并，以适应不同目标类型的不同上下文细微差异。 适应 …

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 …

2024年12月27日 · LSKNet 可以动态调整其较大的空间感受野，以更好地模拟遥感场景中各种目标的测距环境。 总结：作者提出一种大核选择性网络，本文利用其中的LSKBlock与常见模块进行融合。 ⭐⭐ 本文二创模块仅更新于付费群中，往期免费教程可看下方链接 ⭐⭐. YOLOv11及自研模型更新汇总（含免费教程） 文章浏览阅读366次，点赞3次，收藏4次。 群文件2024/11/08日更新。 ,群文件2024/11/08日更新。 _yolo11部署自己的数据集 …