遥感小目标检测是当下非常重要且热门的研究方向，智能交通、环境检测、工业自动化等领域，都离不开它。

近来其更是取得了新突破，模型SuperYOLO通过结合多模态技术，实现了准确性飙升，且计算量降低3.8倍的效果！但其也面临特征表示不足、背景混淆、计算资源有限等问题。同时这也给我们的论文创新提供了机会。

想在该方向发论文的伙伴，可以多关注与多模态的融合、引入Mamba等方向！为了让大家能够紧跟领域前沿，找到自己idea启发，我给大家准备了9篇高质量必读顶会，原文和代码都有！

论文原文+开源代码需要的同学看文末

论文：SOAR: Advancements in Small Body Object Detection for Aerial Imagery Using State Space Models and Programmable Gradients

内容

该论文介绍了一种名为SOAR的新技术，用于提高航空图像中小型物体的检测能力。它采用了状态空间模型和可编程梯度信息，以及一个轻量级的YOLO v9架构，通过减少信息丢失和提高定位精度来改善检测性能，在检测精度和处理效率上都有显著提升，适用于多种航空场景下的实时小物体检测。

论文：Optical Remote Sensing Object Detection Based on Background Separation and Small Object Compensation Strategy

内容

该论文提出了一种基于背景分离和小目标补偿策略的光学遥感图像目标检测方法。该方法通过有效的局部注意力模块、小目标补偿策略和背景分离策略，提高了对复杂背景中小目标的检测性能，在NWPU VHR-10、DIOR和DOTA数据集上进行了广泛的实验，取得了较高的平均精度（mAP）。

论文：SuperYOLO: Super resolution assisted object detection in multimodal remote sensing imagery

内容

该论文介绍了一种名为SuperYOLO的遥感图像目标检测方法，它通过融合多模态数据并利用超分辨率学习来提高多尺度小目标的检测精度，在保持计算成本较低的同时，实现了比现有大型模型更高的准确率，并且通过在推理阶段丢弃超分辨率分支来减少计算量，展示了在实时多模态目标检测中的优越性能。

论文：Few-shot Object Detection in Remote Sensing: Lifting the Curse of Incompletely Annotated Novel Objects

内容

该论文提出了一种基于自训练的少样本目标检测方法（ST-FSOD），用于遥感图像中不完全标注新对象的问题。该方法通过双分支区域提议网络（RPN）分离基础和新对象的提议提取，并结合学生-教师机制来识别和利用未标注的新对象作为伪标签，从而在训练过程中考虑这些对象。

 关注下方《人工智能学起来》

回复“遥感小目标”获取全部论文+开源代码

码字不易，欢迎大家点赞评论收藏