遥感目标检测是人工智能领域中一个快速发展的领域，在推动无人机（UAV）在灾害响应、城市规划和环境监测等实际应用中发挥着关键作用。然而，设计兼顾高精度和快速轻量性能的模型仍然是一项挑战。

无人机通常会在计算能力有限的设备上捕捉不同大小、角度和光照条件下的物体图像。因此，市场需要一种创新的深度学习模型，能够在不依赖大量计算资源的情况下提供稳健的结果。

图片来源： 都立大学

据外媒报道，为了应对这些挑战，大阪都立大学（Osaka Metropolitan University）的一个研究团队，由研究生Hoang Viet Anh Le和副教授Tran Thi Hong及其合作团队领导，开发出一种专为无人机设计的新型检测框架。该研究发表在《Scientific Reports》期刊上。

这项研究的核心是部分重参数化卷积模块（Partial Reparameterization Convolution Block，PRepConvBlock），它在保持强大特征提取能力的同时，降低了卷积运算的复杂性。这项创新使得使用更大的卷积核成为可能，从而实现更长距离的特征交互，并显著扩展了感受野。

在此基础上，研究人员引入了一种浅层双向特征金字塔网络（Shallow Bi-directional Feature Pyramid Network，SB-FPN），该网络融合了浅层和深层特征尺度之间的信息，以增强视觉表征。

这些创新成果汇聚于一个名为SORA-DET（浅层优化重参数化架构检测器）的新架构中。

SORA-DET专为无人机遥感设计，最多可搭载4个检测头，实现了高精度和高效率。在基准测试中，该检测器在极具挑战性的VisDrone2019数据集上达到了39.3%的mAP50，在SeaDroneSeeV2验证集上达到了84.0%的mAP50——性能超越了大多数大规模模型，同时显著缩小了体积并加快了速度。

事实上，SORA-DET所需的参数比传统的单阶段检测器减少了近88.1%，推理速度高达5.4毫秒。

紧凑的设计、高检测性能和实时适应性相结合，使SORA-DET成为基于无人机的遥感领域极具前景的解决方案。通过在轻量级设备上实现精确的物体检测，这项研究为灾害管理、搜救行动等领域的重大应用打开了大门。