论文链接：https://arxiv.org/pdf/2303.09030.pdf
最近关于遥感目标检测的研究主要集中在改进有向边界框的表示，但忽略了遥感场景中呈现的独特先验知识。这种先验知识很有用，因为如果没有参考足够远的上下文，可能会错误地检测到微小的遥感对象，而不同类型对象所需的远程上下文可能会有所不同。在本文中，我们考虑了这些先验，并提出了大选择性核网络（LSKNet）。LSKNet可以动态调整其大的空间感受野，以更好地模拟遥感场景中各种对象的测距上下文。据我们所知，这是第一次在遥感目标检测领域探索大和选择性核机制。LSKNet在标准基准上创造了新的最先进得分，即HRSC2016（98.46%mAP）、DOTA-v1.0（81.85%mAP）和FAIR1M-v1.0（47.87%mAP）。基于类似的技术，我们在2022年大湾区国际算法竞赛中排名第二。代码可在https://github.com/zcablii/Large-Selective-Kernel-Network获取。
遥感目标检测【75】是计算机视觉的一个领域，专注于在航空图像中识别和定位感兴趣的物体，如车辆或飞机。近年来，一个主流趋势是生成准确符合被检测物体方向的边界框，而不是简单地在它们周围绘制水平框。因此，大量的研究集中在改进遥感目标检测中有向边界框的表示。这主要是通过开发专门的检测框架实现的，如RoI Transformer【12】、Oriented R-CNN【62】和R3Det【68】，以及有向框编码技术，如滑动顶点【64】和中点偏移框编码【62】。此外，还提出了许多损失函数，包括GWD【70】、KLD【72】和调制损失【50】，以