RMRN-DETR：一种基于多维实时检测和领域适应性的回归优化遥感图像检测网络

《International Journal of Remote Sensing》：RMRN-DETR: regression-optimized remote sensing image detection network based on multi-dimensional real-time detection and domain adaptation

随着实时目标检测技术的发展，小物体多尺度检测的准确性保持仍具挑战。传统CNN难以有效捕捉多尺度特征，难以满足检测需求。本文提出RMRN-DETR，一种基于多维实时检测与域适应优化的遥感图像检测网络。首先引入多维实时检测模块（MR）实现端到端精度提升。其次提出多维域适应模块解决跨尺度特征融合问题，有效捕获多尺度层次中的低级和高阶语义信息。最后设计新颖的损失边界回归模块增强边界框回归精度，精准反映预测框与真实框的差异。实验表明，在ROSD数据集上较基线准确率提升1.8%，DIOR数据集上提升2.9%，显著提高了小物体检测的精度和效率，适应复杂多尺度场景。

　　

摘要

随着实时对象检测技术的进步，在不同尺度上保持对小对象的高检测精度仍然是一个挑战。传统的卷积神经网络（CNN）难以有效捕捉多尺度特征，常常无法满足检测要求。本研究提出了RMRN-DETR，这是一种基于多维实时检测和领域适应性的优化遥感图像检测网络。首先，我们引入了一个多维实时检测模块（MR），以实现高效的端到端精度提升。其次，提出了一个多维领域适应模块，用于解决不同尺度之间的特征融合问题，从而在多尺度层次结构中有效捕获低级和高级语义信息。最后，引入了一种新颖的损失边界回归模块，以提高边界框回归的精度，准确反映预测边界框与真实边界框之间的差异。实验结果表明，在ROSD数据集上，该方法的精度比基线提高了1.8%；在DIOR数据集上，精度提高了2.9%。所提出的方法显著提升了遥感图像中小对象的检测精度和效率，展现出对复杂多尺度场景的强大适应性。