论文名称：Position Guided Dynamic Receptive Field Network: A Small Object Detection Friendly to Optical and SAR Images

论文原文 (Paper)：https://ieeexplore.ieee.org/abstract/document/10909281
代码 (code)：https://github.com/BJUT-AIVBD/PG-DRFNet

GitHub 仓库链接（含有论文解读及即插即用代码）：https://github.com/AITricks/AITricks
哔哩哔哩视频讲解：https://space.bilibili.com/57394501?spm_id_from=333.337.0.0

目录

1. 核心思想

本文针对遥感图像（涵盖光学和SAR图像）中小目标检测面临的特征淹没和感受野不匹配问题，提出了一种位置引导的动态感受野网络（PG-DRFNet）。其核心在于利用位置引导模块（PGM）将浅层网络中丰富的小目标空间位置信息传递至深层，防止小目标在特征提取过程中“消失”。同时，设计了动态感知卷积（DPC）来构建动态感受野，根据目标的尺度和形状自适应调整特征提取范围。配合组合检测头（Combination Head）的辅助监督机制，该网络在多个光学和SAR数据集上均实现了SOTA性能，管用解决了小目标定位难和背景干扰强的问题。

2. 背景与动机

  • 文本角度总结：
    遥感图像目标检测中，小目标（Small Objects）的占比极高，且背景极其复杂（如SAR图像中的斑点噪声、光学图像中的密集背景）。
    现有方法存在两个主要痛点：

    1. 小目标特征消失：随着CNN网络层数加深，下采样操作导致小目标的空间信息逐渐丢失，深层特征图中很难再找到小目标的响应，被称为“淹没”现象。
    2. 感受野不匹配：传统卷积核（如3x3）具有固定的几何形状和大小，无法适应遥感图像中目标多变的尺度和长宽比。感受野过大引入背景噪声，过小则特征提取不全。
      本文旨在凭借显式的位置引导和动态的感受野调整，在深层网络中“找回”小目标，并精准提取其特征。

  • 动机图解分析：

    • 结合图 1 (Fig. 1) 与 图 3 (Fig. 3)：

      结构图1

      结构图3

      • 图 1存在严重的相干斑噪声，导致目标与背景对比度低。这说明了任务的就是展示了光学图像（VisDrone）和SAR图像（SSDD）的典型样本。能够看出，目标（如车辆、船只）极小且密集，SAR图像中更数据难度。
      • 图 3 (Visual comparison of feature maps)是核心动机图。
        • 第一行（Baseline）：随着网络层级加深（从C3到C5），小目标在特征图上的高亮响应点逐渐模糊甚至消失。这直观展示了**“特征淹没”**问题。
        • 第二行（PG-DRFNet）：引入位置引导后，即使在深层特征图（C5），小目标的位置依然保持高亮响应。这对比有力地证明了**位置引导模块（PGM）**能够有效保留小目标的空间存在感，解决了深层特征丢失的问题。

3. 主要创新点

  • 1：提出了位置引导模块（PGM）
    设计了一种跨层级的位置信息传输机制。利用浅层特征图中保留较好的空间位置信息生成“位置图（Position Map）”，并将其作为先验知识传递给深层网络，指导深层特征聚焦于小目标所在区域，奏效防止了小目标在深层特征中的“消失”。

  • 2：设计了动态感知卷积（DPC）与动态感受野模块（DRF）
    提出了一种新的卷积算子DPC。它通过特征构造、特征聚合和动态感知三个步骤，能够根据输入特征的内容自适应地调整卷积的感受野形状和权重。这使得网络能够针对不同形状和尺度的遥感目标（如细长的船只或方形的储罐）生成最优的特征表示。

  • 3：提出了组合检测头（Combination Head）结构
    打破了传统检测头仅囊括分类和回归分支的惯例，引入了一个辅助的“位置图预测分支”。在训练阶段，利用PGM生成的二值化位置掩码作为监督信号，强迫网络学习更精准的目标位置分布，从而辅助提升主检测头的性能。

4. 方法细节

  • 整体网络架构：
    PG-DRFNet 的整体架构（如图 2 所示）基于经典的ResNet + FPN结构进行了深度改良。

    结构图2

    1. 输入 (Input)：接收任意尺寸的遥感图像。
    2. 主干网络 (Backbone)：图像经过ResNet提取特征，得到不同层级的特征图（C1-C5）。
    3. 位置引导路径：在FPN的特征融合过程中，引入PGM。它并不只是轻松的横向连接，而是将浅层（如C2）生成的“位置掩码”传递给深层，与深层特征进行融合（相乘或拼接），使深层特征“感知”到目标位置。
    4. 动态特征提取：在特征融合后，特征图经过DRF模块（内部核心是DPC卷积）。这里不再应用标准卷积，而是利用DPC根据特征内容动态调整感受野，提取对小目标更鲁棒的特征。
    5. 输出 (Output)：特征图送入Combination Head。除了输出常规的类别（Class）和包围盒（Box），还额外输出一个位置预测图（Position Map），用于辅助训练。

  • 核心创新模块详解：

    • 对于 模块 A：位置引导模块 (PGM)：

      • 内部结构：PGM 接收来自浅层的高分辨率特征图。首先凭借一个1 × 1 1\times11×1卷积将通道数压缩为1，得到初步的显著性图。然后使用 Sigmoid 激活函数将数值归一化到 [0, 1]。
      • 数据流动：
        1. 生成掩码：对归一化后的图进行二值化处理（设定阈值），生成一个二值的Position Map §，其中1代表可能存在目标的区域，0代表背景。
        2. 特征引导：该 Position MapP PP会被下采样（Downsample）以匹配深层特征图的尺寸。
        3. 融合：下采样后的P PP与深层特征图进行元素级相乘（Element-wise Multiply）。
      • 设计目的：浅层特征对小目标的位置非常敏感。借助生成“位置掩码”并以此过滤深层特征，相当于给深层网络戴了一副“眼镜”，让它只关注掩码为1的区域，直接屏蔽掉大量的背景噪声，从而解除小目标被淹没的问题。

    • 对于 模块 B：动态感知卷积 (DPC) / 动态感受野模块 (DRF)：

      • 内部结构该模块的核心算子，分为三个步骤：特征构造（FC）、特征聚合（FA）和动态感知（DP）。就是：DPC
      • 工作机制：
        1. 特征构造 (FC)：利用十字形卷积（Cruciform convolution）生成基础的特征群，类似于将标准卷积核拆解，减少参数量。
        2. 特征聚合 (FA)：设计了周围聚合（SA）和中心聚合（CA）分支。SA负责收集大范围的上下文信息，CA负责聚焦中心细节。
        3. 动态感知 (DP)最关键的一步。网络根据输入特征自动学习出一组就是：这偏移量（Offsets） 和 权重（Weights）。利用这些偏移量，卷积核的采样点不再是固定的网格，而是可以向目标区域偏移（类似可变形卷积，但更注重上下文聚合）。
      • 设计理念：传统的卷积核是正方形的，但遥感目标（如港口的船、路上的车）往往是细长的或方向任意的。DPC 允许卷积核“变形”去贴合目标的实际形状，从而在不引入过多背景噪声的情况下提取最纯净的特征。

  • 理念与机制总结：
    PG-DRFNet 的核心理念是“先定位，后形变”。

    • 定位（Position Guided）：通过 PGM 模块，利用浅层特征的“高分辨率红利”，强制深层网络记住“哪里有目标”，消除**“看不见”**的问题。
    • 形变（Dynamic Receptive Field）：通过 DPC 算子，让卷积核具备“弹性”，根据目标的胖瘦长短自动调整抓取特征的范围，解除**“抓不准”**的问题。
      两者结合，公式化地表达为：F o u t = D P C ( F i n ⊗ P G M ( F s h a l l o w ) ) F_{out} = DPC(F_{in} \otimes PGM(F_{shallow}))Fout​=DPC(Fin​⊗PGM(Fshallow​))，即先用位置图过滤，再用动态卷积提取。

  • 图解总结：
    论文的整体设计逻辑严密地应对了“动机图解”中的难题。

    • 针对 图 3中展示的“特征层级越深，小目标越模糊”的问题，PGM模块就像一个信号放大器，在深层网络即将丢失目标信号时，从浅层引入位置信号进行“特征重燃”，确保了深层特征图中目标的高响应。
    • 针对小目标尺度变化大、背景艰难的难点，DPC模块使得网络不再用死板的方框去套目标，而是用可变形的感受野去“包裹”目标。
    • 最终，Combination Head通过显式的监督信号（Loss function包含位置图的损失），强迫网络在训练过程中不断修正对小目标位置的预测，形成闭环优化。

5. 即插即用模块的作用

论文提出的核心模块具有很强的通用性和移植性，可作为“即插即用”组件优化其他网络：

  1. 位置引导模块 (PGM)

    • 适用场景：任何基于 FPN（特征金字塔）结构的检测或分割网络，特殊是针对小目标检测 任务。
    • 具体应用：
      • YOLO 系列改进：能够插入到 YOLOv5/v8 的 Neck 部分（PANet/FPN），利用 P2 层（浅层）特征去指导 P4/P5 层（深层），显著提升对航拍图像中微小物体（如人群、车辆）的召回率。
      • 医学图像分割：在 U-Net 架构的跳跃连接中引入 PGM 思想，利用编码器的浅层特征生成掩码，指导解码器的深层特征恢复，有助于微小病灶（如息肉、细胞）的分割。

  2. 动态感知卷积 (DPC)

    • 适用场景：需要处理 多尺度、大长宽比目标的视觉任务，或者作为标准卷积/可变形卷积的替代品。
    • 具体应用：
      • 替换标准卷积：在 ResNet 或 VGG 的最后几个 Stage，用 DPC 替换标准的3 × 3 3\times33×3卷积。由于其动态感受野特性，能更好地处理形变物体（如各种姿态的行人、动物）。
      • OCR 文字检测长条形的，DPC 的自适应感受野能比标准卷积更好地覆盖文本行，减少背景噪声干扰。就是：场景文本通常

  3. 组合检测头 (Combination Head)

    • 适用场景：弱监督定位 或 检测与分割联合训练 的任务。
    • 具体应用：
      • 辅助训练策略：对于任何单阶段检测器（One-stage Detector），能够额外增加一个由1 × 1 1\times11×1卷积构成的轻量级分割分支（Position Head），利用边界框生成的二值掩码进行辅助监督。此种手段仅在训练时增加计算量，推理时可移除，能无痛提升模型对目标位置的敏感度。

到此，所有的内容就基本讲完了。如果觉得这篇文章对你有用，记得点赞、收藏并分享给你的小伙伴们哦。

6. 获取即插即用代码关注 【AI即插即用】