前言
本文介绍了面向细长目标特征建模的条带卷积模块——StripBlock，作为传统方形卷积感受野不足的有效补充。该方法通过深度卷积提取局部信息，并利用连续的横向与纵向长条卷积增强长距离空间依赖，生成空间注意力权重对原特征进行门控重标定，从而更精准捕获高纵横比目标的结构特征。我们将 StripBlock 集成进 YOLO26 的特征融合与检测分支中，强化多尺度特征表达能力，提升遥感、船舶、车道等细长目标的检测精度。
文章目录： YOLO26改进大全：卷积层、轻量化、注意力机制、损失函数、Backbone、SPPF、Neck、检测头全方位优化汇总
专栏链接: YOLO26改进专栏
文章目录
- 前言
- 介绍
- 文章链接
- 基本原理
- 核心代码
- YOLO26引入代码
- 注册
- 步骤1:
- 步骤2
- 配置yolo26-StripBlock.yaml
- 实验
- 脚本
- 结果
介绍
遥感目标检测虽发展迅猛，但在检测高纵横比目标方面仍存在诸多难题。本文证实，长条卷积能够有效学习遥感目标检测所需的特征表征，可精准识别各类不同纵横比的目标。基于长条卷积，本文搭建了一种全新网络架构——Strip R-CNN，该模型结构简洁、运行高效且检测性能优异。现有多数遥感目标检测算法采用方形大核卷积，与之不同，本文所提Strip R-CNN在骨干网络StripNet中采用连续正交长条卷积提取空间特征。此外，本文对检测头进行解耦，并在定位分支的长条检测头中引入长条卷积，以此提升遥感检测器的定位精度。在DOTA、FAIR1M、HRSC2016、DIOR等多个标准数据集上开展大量对比实验，结果表明Strip R-CNN相较现有算法性能提升显著。其中参数量仅3000万的模型在DOTA-v1.0数据集上取得82.75%的平均精度均值，创下当前最优性能纪录。本文代码将开源供研究者使用。
文章链接
论文地址：论文地址
代码地址：
