A lightweight dual-domain attention YOLO for small object detection in remote sensing images

方法

基于YOLOv8，设计SGConv、IC2f、DCFM与双域注意力DDAM，在V

发现

在三个遥感基准上精度具竞争力，模型紧凑、计算量低，适合资源受限部署。

机会点

可将双域注意力轻量检测器迁移到无人机农田小目标（虫害、幼穗）实时识别与边缘部署。

遥感图像（RSIs）中的小目标检测（SOD）由于像素表征有限、背景干扰复杂以及对计算高效的轻量级模型的需求而仍然具有挑战性。为解决这些问题，本文提出了LDA-YOLO，一个基于YOLOv8构建的轻量级检测框架，该框架集成了多级特征的自适应细化与双域注意力机制，以在保持低计算成本的同时增强细粒度感知能力。具体而言，我们设计了选择性门控卷积（SGConv）模块，该模块采用多分支卷积结构并结合基于ECA的通道重加权，以选择性地强调信息性特征响应同时抑制冗余激活。进一步构建了改进的C2f（IC2f）模块，以增强短程特征复用并在特征细化过程中保留细节结构。为进一步细化由颈部聚合的多级特征，动态卷积注意力融合模块（DCFM）将轻量级注意力与深度卷积增强相结合，以整合具有互补感受野的长程上下文线索和局部结构特征。此外，在预测阶段引入了双域注意力模块（DDAM），其中空间域和频域响应被联合建模，以突出小目标结构并抑制杂乱的背景。在三个广泛使用的遥感基准数据集（包括VisDrone2019、DIOR和DOTA）上进行的大量实验表明，与现有轻量级检测器相比，LDA-YOLO在保持紧凑模型尺寸和低计算成本的同时实现了具有竞争力的SOD精度，表明其在资源受限部署中的潜力。