从LSKNet到竞赛亚军2022大湾区国际算法竞赛实战经验分享【免费下载链接】LSKNet(IJCV2024 ICCV2023) LSKNet: A Foundation Lightweight Backbone for Remote Sensing项目地址: https://gitcode.com/gh_mirrors/ls/LSKNetLSKNet作为一款专为遥感场景设计的轻量级骨干网络在2022大湾区国际算法竞赛中帮助我们的方案拿下亚军并在DOTA、FAIR1M、HRSC三大遥感基准上刷新了纪录。这篇文章将完整复盘我们的参赛思路从理解LSKNet的大选择性核机制到搭建检测模型、调参训练再到最终复现出81.64%的DOTA mAP希望这份实战经验能帮你在遥感目标检测任务上少走弯路。一、竞赛背景遥感目标检测到底难在哪2022大湾区国际算法竞赛的核心任务是大规模遥感图像中的目标检测。与普通自然图像不同遥感俯视图有两个天然难点目标极小很多车辆、船只只有几十个像素不参考足够大的上下文很容易漏检上下文需求差异大检测机场需要几公里范围的信息检测小汽车只需要局部街景不同目标需要的视野范围完全不同传统的CNN骨干网络感受野固定很难同时满足两类目标的需求。这正是我们选择LSKNet作为骨干的原因——它能动态调整感受野按目标类型自适应地选择不同范围的上下文。二、为什么选LSKNet大选择性核机制解析LSKNet的全称是Large Selective Kernel Network核心思想一句话概括用大卷积核捕获长程上下文再用空间选择机制决定该看多远。上图是LSKNet的模块结构拆开来看其实不复杂大小核并行一个5×5深度卷积负责局部细节一个7×7空洞卷积dilation3负责扩大感受野两条支路并行计算空间选择门控把两条支路的特征拼接后用平均池化和最大池化聚合再过一层卷积Sigmoid生成空间权重让网络按像素决定信任小核还是大核轻量设计全程使用深度卷积depthwise conv配合层缩放layer scale和DropPath计算量远小于同规模Transformer这套机制天然契合遥感场景检测长条形的桥和密集的车辆时网络会在不同位置自动切换上下文范围。整个骨干实现很精简核心代码就在 lsknet.py 中LSKblock模块约二十行即可读懂。三、实战路线LSKNet如何接入检测框架LSKNet本身是骨干网络需要搭配旋转检测头才能输出带角度的旋转框。我们比赛中主要做了三组组合实验全部开箱即用组合方案角度表示DOTA-v1.0 mAPLSKNet-S Oriented R-CNNle9081.64%LSKNet-S S2ANetle13581.32%LSKNet-S RoiTransle9081.22%LSKNet-S R3Detoc80.08%最终选用 Oriented R-CNN两阶段方法在DOTA这种目标密集的数据集上回归更稳且与LSKNet配合最简单只需替换backbone即可对应配置见 lsk_s_fpn_1x_dota_le90.py。如果你显存有限还有轻量版LSKNet-T可选embed_dims[64,128,320,512]depths[2,2,4,2]单卡batch size翻倍mAP仍达81.37%对应配置 lsk_t_fpn_1x_dota_le90.py。四、训练技巧从baseline到亚军的调参经验复现冠军水平光换骨干是不够的下面是我们的四条核心经验1. 预训练权重是关键。LSKNet提供ImageNet 300轮预训练权重T/S两个版本直接加载能省下大量训练时间。权重加载通过配置里的init_cfgdict(typePretrained, checkpoint...)完成。2. 旋转数据增强组合拳。DOTA配置里我们叠加了三方向随机翻转水平/垂直/对角 180度范围内的随机旋转PolyRandomRotate相当于把训练数据扩充了数倍对旋转框检测提升显著。3. 用EMA微调冲刺。比赛后期我们用指数移动平均EMA在完整DOTA数据上微调mAP从81.64%进一步提升到81.85%对应配置 lsk_s_ema_fpn_1x_dota_le90.py。EMA不需要改模型只需在训练脚本中开启是性价比最高的涨点手段。4. 多尺度推理兜底。测试时使用1024×1024的滑窗切片预测并合并结果工具脚本在 tools/test.py 和 tools/analysis_tools/ 中都有现成实现。五、成绩单三大遥感基准全面领先比赛之外LSKNet在公开基准上的成绩同样亮眼这也是评委认可我们方案的重要原因数据集指标LSKNet-S成绩对比基线DOTA-v1.0mAP81.64%RTMDet-l 81.33%FAIR1M-v1.0mAP47.87%O-RCNN(R50) 45.60%HRSC2016mAP(12)98.46%ReDet 97.63%HRSC2016的98.46% mAP至今仍是该数据集上的标杆成绩之一可见LSKNet在船舰这类细长目标上的优势。所有实验配置和结果都整理在 configs/lsknet/ 目录下含FAIR1Mlsk_s_fpn_1x_fair_le90.py和HRSClsk_s_fpn_3x_hrsc_le90.py的完整配置。六、快速复现30分钟跑通你的第一个LSKNet模型想快速体验LSKNet的检测效果按下面三步走第一步准备环境与权重。基于MMRotate安装依赖后克隆仓库git clone https://gitcode.com/gh_mirrors/ls/LSKNet第二步下载预训练骨干。从项目README获取LSKNet-S的ImageNet预训练权重放到data/pretrained/目录与配置中的路径对齐。第三步单图推理验证。用仓库自带的demo脚本即可看到旋转框输出python demo/image_demo.py demo/dota_demo.jpg \ configs/lsknet/lsk_s_fpn_1x_dota_le90.py \ checkpoint路径 --out-file result.jpg上图这类停车场密集车辆场景正是LSKNet最擅长处理的典型输入车辆目标极小、排列密集需要模型同时捕捉局部细节和周边布局。更多demo可参考 demo/image_demo.py 与 demo/huge_image_demo.py后者支持超大图切片推理。七、参赛心得给遥感算法新手的四条建议复盘整场比赛我们把最值得分享的经验浓缩成四点骨干网络优先于检测头在遥感任务中换一个更强的骨干往往比调检测头收益更大LSKNet就是最好的例证重视预训练权重遥感数据量有限ImageNet预训练是稳定涨点的基础增强策略要旋转化普通检测的增强手段不一定适用随机旋转多向翻转是旋转检测的标配EMA微调是最后的杀手锏比赛后期用EMA微调通常还能再涨0.2~0.5个点LSKNet用一场竞赛亚军和三项SOTA证明了一个道理理解任务本身的先验知识往往比堆叠更复杂的模型更有效。希望这篇实战经验分享能帮你快速上手LSKNet在遥感目标检测的道路上走得更远。【免费下载链接】LSKNet(IJCV2024 ICCV2023) LSKNet: A Foundation Lightweight Backbone for Remote Sensing项目地址: https://gitcode.com/gh_mirrors/ls/LSKNet创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考