特定任务上下文解耦的遥感图像目标检测方法.pdfVIP

ComputerEngineeringandApplications计算机工程与应用2025，61（2）293

特定任务上下文解耦的遥感图像目标检测方法

+

梁嘉杰，李星星

五邑大学智能制造学部，广东江门529020

+通信作者E-mail：jarjack@

摘要：针对典型目标检测模型在遥感图像检测任务中因检测目标小而密集、尺度差异大、方向随机而背景复杂，导

致漏检率高、边框回归精度差等问题，提出一种特定任务上下文解耦和快速部分卷积的遥感图像检测方法Faster-

YOLO-TSCDH。将检测方法改进为特定任务上下文解耦检测方法，将分类任务和回归任务分开处理，分别融合不

同空间特征和语义特征的特征图，降低不同任务的相互干扰，提高检测精度和鲁棒性。提出一种快速部分卷积多层

次聚合模块，改进特征提取阶段的跨阶段分部卷积模块，强化特征提取能力，同时减轻解耦头带来参数量和运算量

暴增的问题。采用一种对锚框质量动态评估的边框回归损失Wise-IoU，减少过高质量或过低质量锚框对边框回归

的负面影响，提高边框回归的整体性能。实验结果表明，在DOTAv2和AI-TOD两个公共遥感图像数据集进行目标

检测任务时的平均精度均值（mAP@IoU=0.5）达到65.4%和51.3%，相较基准模型提升了3到5个百分点，证明了改进

方法的可行性和有效性。

关键词：深度学习；目标检测；遥感图像；小目标；解耦检测；特征提取

文献标志码：A中图分类号：TP391.7doi：10.3778/j.issn.1002-8331.2309-0119

Task-SpecificContextDecouplingObjectDetectionMethodforRemoteSensingImages

LIANGJiajie,LIXingxing+

DepartmentofIntelligentManufacturing,WuyiUniversity,Jiangmen,Guangdong529020,China

Abstract：AremotesensingimagedetectionmethodFasterYOLO-TSCDHbasedontask-specificcontextdecouplingand

fastpartialconvolutionisproposedtoaddresstheissuesofhighmissrateandpoorbounding-boxregressionaccuracy

causedbysmallanddensedetectionobjects,largescaledifferences,randomdirections,andcomplexbackgroundsintypi-

calobjectdetectionmodelsinremotesensingimagedetectiontasks.Thispaperimprovesthedetectionmethodtoatask-

specificcontextdecouplingdetectionmethod,separatingtheclassificationtaskandregressiontask,andfusingfeature

mapsofdifferentspatialandsemanticfeaturesseparatelytoreducemutualinterferencebetweendifferenttasksandim-

provedetectionaccuracyandrobustness.Thepaperproposesafastpartialconvolutionmulti-levelaggregationmodule,

whichimprovesthecrossstagepartialconvolutionmoduleinthefeatureextractionstage,strengthensthefeatureextrac-

tionability,andreducesthepr