本文介绍了一种基于 Dense Attention Fluid network 的 Remote Sensing Images (RSIs) 显著性检测方法，提出了新的 Global Context-aware Attention (GCA) 和 cascaded pyramid attention 模块，并构建了包含 2,000 个图像的新型 RSI 数据集进行实验证明了该方法的明显优越性。

Nov, 2020

通过多模式远程感知数据进行对象检测，提出了一个基于多模式变换器的解决方案，包括交叉通道注意力模块和结合卷积层和固定维度的新架构，以实现细粒度到粗粒度的表示生成，并在广泛实验中验证了其有效性和适用性。

Oct, 2023

本文提出了基于深度学习的 LV-Net 算法，采用 L 形和 V 形两个核心模块来从光学遥感图像中检测显著物体， 并构建了一个含有 800 张图像的公共数据集。实验证明，该算法在质量和数量上均优于现有算法。

Jun, 2019

本研究提出了一个新的高分辨率显著物体检测 (High-Resolution SOD) 方法，该方法使用 HRS10K 数据集和递归多尺度 Transformer (RMFormer) 生成高分辨率显著图。对高分辨率和低分辨率基准测试的广泛实验证明该框架的有效性和优越性。

Aug, 2023

本文提出一种新的深度学习框架，用于高分辨率显著目标检测任务，该框架将任务分离成低分辨率显著性分类网络（LRSCN）和高分辨率细化网络（HRRN），实现低分辨率感知和高分辨率精细调整的显著目标检测，基于此框架的实验结果表明，本文所提方法在高分辨率显著性检测方面具有优越性能。

Aug, 2021

本文提出了一种新的显著性目标检测系统 RDS，它使用更有效的方法传递全局信息，解决传统模型中忽略背景信息的问题，并在使用目标检测数据训练模型时取得了最新的结果。

Jan, 2019

本文提出了一种深度敏感的 RGB 特征建模方案，并使用深度几何先验来实现特征增强和背景分心减少。另外，我们还提出了一种自动架构搜索方法来进行 RGB-D 显着对象检测，取得了比现有技术更好的结果。

Mar, 2021

本文提出了一种新的动态扩张金字塔模块和混合增强损失函数，在 RGB-D 显著目标检测方面表现优于现有方法。

Jul, 2020

我们提出了一种具备有效的解码器的端到端定向目标检测器，该解码器结合了旋转 RoI 注意力（RRoI 注意力）和选择性不同查询（SDQ）两项技术，能够有效地解决遥感图像中多方向、不同尺度、密集分布的目标实例的检测问题。通过交叉注意机制，RRoI 注意力能够有效地聚焦定向感兴趣区域并对多尺度特征进行对齐。通过从中间解码器层收集查询并过滤相似查询以获得不同查询，提出的 SDQ 能够促进一对一标签分配的优化，而不会引入多余的初始查询或额外的辅助分支。在五个数据集上进行的大量实验证明了我们方法的有效性，尤其是我们的方法在 DIOR-R（67.31% mAP）、DOTA-v1.5（67.43% mAP）和 DOTA-v2.0（53.28% mAP）上取得了最先进的性能，使用了 ResNet50 作为骨干网络。

Nov, 2023

利用单级检测器作为基准，结合元学习训练框架和新颖的元采样方法，提出了一种在遥感图像中进行少样本目标检测的方法，以提高检测准确性和元学习策略的效率。

Apr, 2024