论文题目遥感影像中多路径关注与尺度感知融合的精确物体检测Multi path attention and scale aware fusion for accurate object detection in remote sensing imagery期刊Scientific Reports摘要在遥感图像中追求精确且计算效率高的物体检测仍然是智能解释系统进步的基石。尽管近年来取得了实质性进展但主流方法在特征表示的判别能力、语义建模的深度和多尺度信息融合的有效性三个关键方面仍然存在显著不足。这些缺点在处理小规模目标时尤其明显因为这些目标很容易被遗漏或分类错误。为了应对这些限制本研究引入了HyperFusionDEIM这是一种级联检测范式专门用于同时加强对象级表示丰富上下文语义依赖并优化规模感知特征集成。该框架的核心是多路径注意网络(MAPNet)它通过多路径注意融合(MPAF)模块和浅层鲁棒的特征下采样(SRFD)机制的联合操作增强了小物体识别的浅层语义线索和边缘纹理灵敏度。作为补充Scale-Aware Feature Enhancement (SAFE)编码器集成了一个Multi-level Feature Concentration (MFC)模块来实现跨层的几何对齐而Transformer层与HyperACE的集成可以在不影响空间保真度的情况下捕获远程语义相关性。在SIMD和VEDAI基准测试上进行的实证验证表明hyperfsion - deim在预测精度和鲁棒性方面都明显优于最先进的轻型检测器。具体来说该模型在SIMD上实现了64.5%的AP分别比RT-DETR和DEIM高出4.8%和4.6%同时保持了296.33 FPS的峰值推理吞吐量。在VEDAI上hyperfsion -DEIM分别比YOLOv12和YOLOv13高出4.9%和8.0%比RT-DETRv2和DEIM高出2.5%和8.5%同时保持79.7 FPS的实时运行速度。这一性能展示了hyperfsion - deim在实时检测方面的实际可行性特别是在速度和准确性都至关重要的资源受限环境中。HyperFusion-DEIM让遥感图像小目标检测既快又准一、背景与动机遥感目标检测为什么这么难遥感图像目标检测是智能解译系统的核心任务之一广泛应用于军事侦察、城市规划、灾害评估等领域。然而与自然图像相比遥感图像有其独特的挑战小目标占比极低目标往往只占图像总像素的极小一部分纹理模糊、边界不清极难从复杂背景中辨别尺度差异悬殊同一场景下飞机、车辆、船只等目标尺寸跨度极大背景干扰严重道路、建筑物等背景区域容易与真实目标混淆造成大量误检。尽管近年来深度学习方法取得了长足进步但现有检测框架仍普遍存在以下四大瓶颈小目标特征丢失深层卷积网络的反复下采样使小目标的细粒度特征逐渐被稀释多尺度融合粗糙FPN、PANet 等方法在高层语义特征与低层空间细节的对齐上能力有限全局上下文建模不足模型难以区分真实目标与背景噪声在复杂场景下误检率偏高精度与效率难以兼顾高精度模型计算开销大轻量级模型精度又不够两者很难同时满足实时部署需求。正是为了攻克这些问题本文提出了HyperFusion-DEIM。二、整体框架HyperFusion-DEIM 是什么HyperFusion-DEIM 以DEIMDetection with Improved Matching为基线在其三段式检测流水线主干→编码器→解码器的基础上引入三个核心模块进行系统性重构模块位置核心作用MAPNet主干网络Backbone增强浅层特征表达提升小目标感知能力SAFE特征编码器Encoder全局上下文建模跨尺度语义融合MFCSAFE 内部核心多级特征集中弥合语义鸿沟图3HyperFusion-DEIM 整体架构图展示 MAPNet、SAFE、MFC 与解码器之间的连接关系及特征流向。与基线 DEIM 相比HyperFusion-DEIM 的特征图具有更清晰的边缘细节和更丰富的纹理信息在最终检测结果中对小目标如道路边缘车辆、遮挡区域目标的漏检和误检大幅减少。图2DEIM 与 HyperFusion-DEIM 架构及检测结果对比图三、核心模块详解3.1 MAPNet多路径注意力网络主干原始 DEIM 使用 HGNetv2 作为主干在遥感场景中存在多尺度建模能力不足、浅深层特征融合简单、注意力机制对关键区域聚焦不够等问题。MAPNet 通过以下两个子模块加以改进SRFD浅层鲁棒特征下采样SRFD 在浅层引入多条并行卷积与池化路径包括 GConv、DWConvD、MaxD 等提取多组互补特征图再通过Cat Conv进行融合。其核心优势在于在几乎不增加计算开销的情况下显著增强对小目标纹理与边缘的保留能力有效抑制背景噪声提升模型对显著目标区域的聚焦能力。图4dSRFD 模块结构图MPAF多路径注意力融合MPAF 是 MAPNet 的核心。它对输入特征图设计了三条并行处理路径注意力精炼路径 F1将输入划分为 m 个并行分支每个分支经过多个堆叠的 iRMBInverted Residual Mobile Block模块利用 Q/K/V 自注意力机制捕获多尺度特征的全局依赖。高效特征增强路径 F2依次经过 1×1 卷积、DWConv深度卷积、PWConv逐点卷积以轻量化方式增强特征表达显著降低参数量和计算复杂度。信息保留路径 F3仅使用一个 1×1 卷积保留原始输入的基础语义信息。三路输出拼接后再经 1×1 卷积融合得到最终输出图5MPAF 模块结构图清晰展示三条并行路径及最终的 ConcatConv 融合。整个 MAPNet 的主干配置如下表1主干网络各层配置含通道数、Blocks 数、是否下采样等3.2 SAFE尺度感知特征增强编码器传统 PAFPN 编码器在多尺度融合时依赖简单的拼接与堆叠在遥感场景下存在对背景噪声敏感、特征退化等问题。SAFE 模块通过三个子模块进行系统性重构Transformer 模块首先引入标准 Transformer 层对特征图建立全局长程依赖增强空间感知能力弥补纯卷积方法感受野有限的缺陷。HyperACE超图自适应相关性增强HyperACE 是来自 YOLOv13 的创新模块其核心思想是通过超图计算对多尺度特征之间的高阶关系进行建模利用全局平均池化和最大池化生成上下文向量结合可学习的超边原型自适应估计每个顶点在每条超边中的参与强度通过FullPAD 机制将相关性增强后的特征沿三条路径主干→颈部、颈部内层、颈部→检测头进行结构化传播确保特征在全网络中的高效流动。双向特征扩散机制SAFE 通过自顶向下和自底向上两条双向路径将富含上下文的特征在不同检测尺度P3/P4/P5之间进行双阶段传播第一阶段特征聚焦模块的输出分别进行下采样P4→P5和上采样P4→P3生成初始多尺度表示第二阶段结合 MFC 模块进行深层特征聚合完成上下文信息的充分扩散。图6SAFE 模块核心架构含 HyperACE、Transformer、MFC 三个子模块示意图3.3 MFC多级特征集中模块MFC 是 SAFE 内部最关键的创新专门用于解决多尺度目标感知不足和跨层语义不一致的问题。特征对齐首先对三层特征进行空间分辨率对齐P3低层通过自适应下采样 ADown 匹配 P4/P5 的空间尺寸P4、P5使用 1×1 卷积统一通道维度多核深度可分离卷积三层特征拼接后使用 4 种不同核尺寸5×5、7×7、9×9、11×11的深度可分离卷积从不同感受野提取空间语义最终通过逐元素相加聚合O_multi D_5 D_7 D_9 D_{11} D_ID残差融合最终通过 1×1 卷积压缩通道后加上初始拼接特征的残差连接实现浅层细节与深层语义的高效融合图6cMFC 模块结构图这一设计使 MFC 在多尺度聚合、语义对齐和轻量化三者之间取得良好平衡。四、实验设置数据集SIMD 数据集包含 5000 张高分辨率光学卫星图像涵盖 15 个目标类别汽车、卡车、飞机、直升机、船只等共 45,096 个标注实例。该数据集的主要挑战包括极宽的尺度分布大量实例归一化尺寸在 [0, 0.5] 范围内呈长尾分布、严重的类别不均衡Car 类 20,504 个Boat 类仅 49 个以及航空器与车辆类别间的高度视觉相似性。VEDAI 数据集包含 1246 张 1024×1024 像素空间分辨率 12.5cm/像素的航拍图像7 类车辆目标共 3640 个标注实例。其特点是小目标占主导地位大量目标归一化尺寸在 [0.0, 0.2]且类别极度不均衡Car 类 1377 个Truck 类仅 105 个比例超过 13:1。图7SIMD 与 VEDAI 数据集的目标尺寸分布散点图及各类别数量统计柱状图训练配置表2实验环境配置含 GPU、CPU、CUDA、PyTorch 版本等表3超参数设置含 epoch160、lr0.0008、batch_size4 等五、实验结果5.1 消融实验消融实验在 SIMD 和 VEDAI 数据集上分别进行通过逐步添加各模块来验证每个组件的独立贡献。SIMD 消融结果表4SIMD 消融实验展示 SRFD/MPAF/SAFE 不同组合下的 Params、GFLOPs、AP50、AP50:95关键结论SRFD 单独使用参数量几乎不变AP50 从 76.6% 小幅提升至 76.9%0.3%以极低代价改善浅层特征MPAF 单独使用参数量增加显著3.73M → 34.08M但 AP50 大幅跃升至 80.6%4.0%是精度提升的主力SAFE 单独使用以较低的计算代价4.67M 参数11.27 GFLOPs将 AP50 提升至 78.8%2.2%在效率与表达力之间取得良好平衡SRFD MPAF 组合AP50 进一步提升至 82.9%体现两模块的强协同效应完整模型三模块全部使用AP50 达到83.6%AP50:95 达到67.2%相比基线分别提升7.0%和6.3%验证了三个模块的互补性。VEDAI 消融结果表5VEDAI 消融实验展示不同模块组合下的 AP50 和 AP50:95在 VEDAI 上完整模型三模块全部启用取得 AP5053.7%AP50:9533.8%相比基线分别提升12.0%和8.7%充分说明三模块在具有更严峻小目标挑战的数据集上协同增益更加显著。MPAF 多阶段部署消融表6MPAF 在 VEDAI 上不同 Stage 组合下的性能展示从 Stage5 到 Stage25 的递进效果将 MPAF 从仅在 Stage5 使用逐步扩展到 Stage25 全部使用AP50 从 42.9% 提升至 44.2%GFLOPs 虽从 22.65 增加至 74.85但多尺度特征表达能力的提升是持续且稳定的。5.2 与主流方法的比较SIMD 数据集对比表7SIMD 测试集综合对比核心数据亮点vs. 基线 DEIM-NAP 从 59.9% →64.5%4.6%AP50 从 75.7% → 81.2%5.5%FPS 从 198.58 → 296.33提升约 50%vs. YOLOv8-SHyperFusion-DEIM-S 在可比 FPS 下AP50 提升1.9%APm 提升4.4%vs. RT-DETR-r50AP 从 61.98% 提升至65.2%同时 FPS 大幅领先vs. YOLOv12-NAP 提升3.24%AP50 提升3.3%。图8不同轻量级检测模型的 FPS 和多尺度 AP 对比柱状图直观展示 HyperFusion-DEIM-N 在 296.3 FPS 的吞吐量下仍全面领先各项 AP 指标。VEDAI 数据集对比表8VEDAI 数据集对比含 YOLOv8N 至 HyperFusion-DEIM-N 的 mAP50 和 mAP50:95核心数据亮点mAP50 53.3%mAP50:95 34.6%位列所有对比方法第一相比 DEIM-NmAP50 提升8.5%mAP50:95 提升6.5%相比 YOLOv13-NmAP50 提升8.0%在 200.64 FPS 的实时推理速度下仍超越所有对比方法RT-DETR-r18 虽与本方法参数量相近但 FPS 仅 29.8相差约 6 倍说明 HyperFusion-DEIM 在推理阶段通过结构简化和冗余计算削减实现了显著加速。5.3 可视化分析图9HyperFusion-DEIM 在 SIMD 数据集上的多类别检测结果展示城区、机场、港口等复杂场景图10检测结果与热力图对比原图 / DEIM / HyperFusion-DEIM展示热力图激活区域的差异热力图对比揭示了两者的本质差距DEIM 的激活区域分散在小型船只和密集飞机区域存在明显漏检和定位偏差而 HyperFusion-DEIM 的激活集中在真实目标位置边界更清晰背景响应显著降低。图11HyperFusion-DEIM 与 DEIM、D-Fine 的检测结果四列对比图展示真值/本方法/DEIM/D-Fine定性对比进一步表明HyperFusion-DEIM 在建筑边缘、路口、遮挡区域等典型难例场景下误检和漏检数量显著少于 DEIM 和 D-Fine。六、局限性与展望尽管 HyperFusion-DEIM 取得了出色的结果作者也坦诚地指出了以下局限计算复杂度较高多分支模块与 Transformer 块的引入HyperFusion-DEIM-N 参数量达 134.1M使模型在嵌入式边缘设备上的部署存在一定挑战极端条件下性能可能退化低照度、运动模糊、严重遮挡等极端场景仍是未来需要重点优化的方向。未来工作将聚焦于通过知识蒸馏、轻量化注意力等手段压缩模型降低部署门槛探索多模态遥感融合LiDAR、SAR、多光谱进一步提升语义区分能力和跨域泛化性。七、总结HyperFusion-DEIM 是一个针对遥感图像小目标检测痛点的系统性解决方案。通过 MAPNet 增强浅层特征与多尺度聚合、SAFE 引入全局上下文与高阶关系建模、MFC 弥合跨层语义鸿沟三者协同配合在 SIMD 和 VEDAI 两大基准上全面超越了 YOLO 系列、RT-DETR 系列和 DEIM 等主流轻量级检测器同时保持了实时推理的竞争优势。对于从事遥感智能解译、低空无人机目标检测或轻量级检测器设计的研究者而言HyperFusion-DEIM 提供了一个在精度、效率和小目标鲁棒性之间取得良好平衡的新范式值得深入研究和借鉴。