.png){kind=icon}
返回
ASMNet: Axis-decoupled sparse mining for efficient remote sensing object detection
.png){kind=icon}
PRE
AI
DOI：10.1016/j.eswa.2026.134210.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
遥感目标检测（RSOD）需要在保持计算效率的同时进行有效的长距离上下文建模。现有的大核骨干网络通常通过密集的空间聚合来扩大感受野，这可能会引入冗余的空间交互和不可忽视的计算开销，尤其是在高分辨率遥感图像中。为了解决这个问题，我们提出了一种轻量级且易于部署的骨干网络，称为轴解耦稀疏挖掘网络（ASMNet），用于高效的RSOD。ASMNet中的ASM模块将二维上下文建模分解为沿高度和宽度轴的稀疏挖掘，从而减少不必要的密集空间交互，同时保留长距离表示能力。在ASM模块中，目标感知稀疏挖掘（TASM）作为核心机制，用于从紧凑的轴向候选中选择性挖掘目标一致的稀疏关系。通过引入轴感知的目标先验和轻量级的坐标偏移选择，TASM使ASMNet能够以目标感知、定位友好且计算高效的方式捕获有用的长距离依赖关系。在DOTA系列数据集和DIOR-R上的广泛实验表明，ASMNet在多个检测框架中实现了良好的精度-效率权衡。值得注意的是，ASMNet-T在DOTA-v1.5单尺度设置下达到72.43%的mAP，同时仅使用PKINet-S的29.8%的FLOPs，并显著提高了推理速度。设备部署实验进一步验证了ASMNet在边缘导向推理场景中的实际效率。这些结果表明，ASMNet在保持轻量级、高效和易于部署的同时，有效地满足了RSOD的长距离建模要求。代码：https://github.com/LarryInD/ASMNet
Keyword:
Lightweight backbone
Remote sensing object detection
Target-aware sparse mining
