GFLNet: A lightweight real-time detector with knowledge-guided compression in remote sensing images

方法

Ghost-Shuffle双融合卷积、自适应感受野选择、层自适应剪枝与双向跨任务

发现

在DIOR和UCAS-AOD上mAP@0.5分别提升3.9%和3.4%，仅2.35M参数、261FP

机会点

可将该轻量检测框架迁移至无人机农田小目标识别，探索剪枝蒸馏在边缘设备的农业部署。

遥感图像通常呈现目标密集分布和尺度差异显著的特点。在此类场景下，如何在控制计算成本与推理延迟的同时保持高检测精度仍具挑战性。为解决该问题，本文提出GFLNet，一种基于协同特征建模与知识引导压缩的轻量级单阶段检测器。具体而言，设计了Ghost-Shuffle双融合卷积（GSD-Fuse），在降低计算成本的同时实现高效的时空通道交互；受LSKNet启发，在较深层主干网络和颈部阶段引入自适应感受野选择模块，以自适应调整面向小目标与多尺度检测的上下文响应；最后，LB-Compress将层自适应幅值剪枝与双向跨任务知识蒸馏（BCKD）相结合，形成适用于实际部署的紧凑网络。在DIOR和UCAS-AOD数据集上的评估表明，GFLNet较基线分别将mAP@0.5提升3.9%和3.4%。此外，该模型仅含2.35M参数，计算量为5.6 GFLOPs，在GPU上的推理速度为261 FPS，从而实现了良好的精度-效率协同。