Disentangling geo-spatial features: an adaptive re-parameterization approach for oriented object detection

Zhiqing Li

doi:10.1080/10095020.2026.2710946

Disentangling geo-spatial features: an adaptive re-parameterization approach for oriented object detection

2026-08-11

0

OA

AI

DOI：10.1080/10095020.2026.2710946

原文链接

原文求助

摘要

En 中文

面向光学遥感的有向目标检测由于极端尺度变化、任意目标朝向和高异质性背景而面临重大挑战。虽然追求更高精度往往通过复杂的显式融合架构导致高昂的计算成本，但通用的结构重参数化方法无法捕捉地理空间目标的独特空间特征。为弥合这一差距，我们提出了面向有向目标检测的自适应重参数化方法（AROOD）。与常规方法不同，AROOD通过一种新颖的结构融合策略，隐式增强网络将旋转鲁棒的空间先验和通道依赖性整合到统一表示中的能力。该机制使模型能够自适应优化训练过程中的地理空间先验知识，并在结构上合并这些增强项以实现零成本推理。在面向航空图像目标检测的数据集（DOTA）和FAIR1M（高分辨率遥感影像细粒度目标识别）数据集上的大量实验表明，AROOD能够有效解耦高度混叠的空间特征，将广泛使用且具有竞争力的检测器（如RetinaNet和LSKNet）的平均精度（mAP）提升最高达3%，而无需增加参数数量或推理延迟。此外，所提出的局部训练策略相比传统的增量训练展现出更优的计算效率。

Keyword:

Reparameterization

geospatial object detection

optical remote sensing

convolutional neural network (CNN)

Disentangling geo-spatial features: an adaptive re-parameterization approach for oriented object detection

摘要

期刊

机构

引用论文