详细介绍：即插即用系列 | 2025 SOTA Strip R-CNN 实战解析：用于遥感目标检测的大条带卷积

论文名称：Strip R-CNN: Large Strip Convolution for Remote Sensing Object Detection

论文原文 (Paper)：https://arxiv.org/abs/2501.03775
官方代码 (Code)：https://github.com/HVision-NKU/Strip-R-CNN

---

GitHub 仓库链接：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
    • 2. 背景与动机
    • 3. 主要贡献点
    • 4. 方法细节
    • 5. 即插即用模块的作用

1. 核心思想

本文针对遥感目标检测中普遍存在的高长宽比（细长）物体检测难题，提出了一种名为Strip R-CNN的高效网络架构。该方法的核心论点是：相比于传统的方形大卷积核，大型条状卷积（Large Strip Convolution）能更有效地捕捉细长物体的各向异性特征。通过在骨干网络中序贯地引入正交的大尺度条状卷积，并在检测头中解耦定位任务并采用条状模块增强，Strip R-CNN 能够以极低的参数量（30M）在 DOTA-v1.0 数据集上实现 SOTA 性能（82.75% mAP）。

2. 背景与动机

• 文本角度总结：
  遥感图像中的目标往往具有任意方向和极端的长宽比（如桥梁、港口、船舶等）。现有的旋转目标检测器通常依赖于方形大卷积核（如 LSKNet, PKINet）来扩大感受野以捕捉长距离上下文。然而，作者认为方形卷积核在处理细长物体时会引入大量无关的背景噪声，且在计算上存在冗余。此外，传统的检测头（如 Oriented R-CNN Head）通常将分类和定位任务耦合，或仅使用全连接层/小卷积核进行定位，这限制了对细长物体进行精确定位所需的长距离依赖捕捉能力。

• 动机图解分析：

  • 图 1 (Fig. 1): DOTA 数据集统计与现有模型性能
    • 柱状图：展示了 DOTA 数据集中不同长宽比（Aspect Ratio）物体的数量分布。允许看出，长宽比 > 3 的细长物体占据了相当大的比例。
    • 折线图：展示了现有 SOTA 模型（如 LSKNet, O-RCNN 等）在不同长宽比下的检测性能（mAP）。可以明显看到，随着物体长宽比的增加，所有模型的性能都呈显著下降趋势。这直观地揭示了现有方法在处理“细长物体”时的局限性，引出了本文的动机：设计一种专门针对高长宽比物体的检测器。
  • 图 6 (Fig. 6): 空间相关性图 (Spatial Correlation Map)
    • 左图 (Oriented R-CNN Head)：显示了传统检测头输出特征的空间相关性。可以看到其相关性范围较小，且主要集中在局部。
    • 右图 (Strip Head)：显示了本文提出的 Strip Head 的空间相关性。可能看到其特征图上的点与周围（尤其是长距离方向上）具有更强的相关性。这对比说明了引入条状卷积能有效捕捉长距离依赖，解决了传统检测头定位能力不足的问题。

3. 主要贡献点

• [贡献点 1]：提出了 Strip R-CNN 网络架构
  设计了一个轻松、高效且强大的遥感目标检测框架。该框架不依赖复杂的注意力机制或多分支结构，而是回归到卷积设计的本源，通过创新的条状卷积设计实现了卓越的性能。

• [贡献点 2]：设计了 StripNet 骨干网络
  提出了基于 Strip Block的骨干网络。不同于 LSKNet 和 PKINet 使用的方形大核，Strip Block 采用序贯的正交大型条状卷积（例如 $1\times K$ 和 $K\times 1$）来替代大方形核。这种设计在大幅降低计算量（参数量减少，FLOPs 降低）的同时，能更精准地匹配细长物体的几何特征。

• [贡献点 3]：提出了 Strip Head 检测头
  重新设计了检测头，将分类、角度回归和定位任务解耦。特别是在定位分支中引入了Strip Module，利用条状卷积来增强定位特征的长距离感知能力，从而提高对细长物体边界框回归的准确性。

4. 方法细节

• 整体网络架构：
  请参考 Fig. 4© 和 Fig. 5。

  1. 骨干网络 (StripNet)：输入图像经过 Stem 层后，进入 4 个阶段的特征提取。每个阶段由堆叠的Strip Block组成。Strip Block 包含两个子模块：Strip Module（负责空间特征提取）和FFN（负责通道混合）。
  2. 特征金字塔 (FPN)：提取的多尺度特征被送入 FPN 进行融合。
  3. 检测头 (Strip Head)：基于 Oriented R-CNN 的框架，但对 Head 进行了改造。RoI 特征被送入解耦的三个分支：分类分支、角度分支和定位分支。其中定位分支嵌入了Strip Module。

• 核心创新模块详解：

  • 模块 A：Strip Module (条状模块) (Fig. 4 右侧放大图)

    

    • 内部结构：这是一个用于替代标准大核卷积的组件。
    • 数据流：
      1. 输入 (X)：特征图最初经过一个$5\times 5$ 的小方形卷积 (Square conv)，用于捕获局部细节。
      2. 水平条状卷积 (H Strip Conv)：特征图接着通过一个$1\times K$的深度卷积（实验中$K=19$），捕获水平方向的长距离依赖。
      3. 垂直条状卷积 (V Strip Conv)：随后通过一个$K\times 1$的深度卷积，捕获垂直方向的长距离依赖。注意，这两个条状卷积是串联 (Sequential)的，而非并联。
      4. 点卷积 (PW Conv)：最终通过一个$1\times 1$卷积进行通道融合，生成权重图$Y$。
      5. 加权输出：权重图 $Y$ 与原始输入 $X$进行元素级相乘（Element-wise Multiplication），得到最终输出。
    • 设计目的：依据序贯的条状卷积，模块能够模拟出大感受野，同时相比$K\times K$的大方核，参数量和计算量大幅降低，且更能适应细长物体的形状。

  • 模块 B：Strip Head (条状检测头) (Fig. 5 下图)

    

    • 内部结构：解耦的检测头设计。
    • 数据流：
      • 分类与角度分支基于图 7 的观察：分类和角度的敏感区域有重叠。就是：共享两个全连接层 (FC)，然后分叉。这
      • 定位分支：RoI 特征先经过一个卷积层，继而进入核心的Strip Module（同上所述），最终凭借 FC 层输出位置偏移。
    • 设计理念：传统的 FC 层缺乏空间敏感性。在定位分支引入 Strip Module，许可显式地增强特征图在长宽方向上的感知能力，这对回归细长物体的边界框（Bounding Box）至关重要。

• 理念与机制总结：

  • 核心理念：“因形制宜”。遥感物体多为细长型，且方向任意。方形卷积核会引入过多背景噪声。条状卷积（Strip Conv）就像一把尺子，可以沿着物体的长轴方向进行特征聚合，既匹配了物体的几何特性，又节省了计算资源。
  • 序贯正交机制：通过串联 $1\times K$ 和 $K\times 1$卷积，网络实际上拥有了$K\times K$的理论感受野，但其关注点更侧重于十字形的轴向特征，这正好符合细长物体在旋转后的投影特性。

• 图解总结：

  • Fig. 3直观对比了 LSKNet（大方核）、PKINet（多尺度方核并联）和 Strip R-CNN（条状核串联）的结构。Strip R-CNN 的结构最为精简。
  • Fig. 8通过展示了不同核大小的特征响应。能够看到$K=19$时，细长物体（如桥梁）的响应最强且背景噪声最少。
  • Fig. 9局部。就是的 Eigen-CAM 可视化显现，相比其他方式，Strip R-CNN 的热力图更精准地覆盖了细长物体的整体，而不仅仅

5. 即插即用模块的作用

论文提出的 Strip Module是一个极佳的即插即用模块：

1. Strip Module (条状模块)
   • 适用场景：任何涉及细长物体检测、旋转目标检测或需要轻量化大感受野的视觉任务。
   • 具体应用：
     • 替换骨干网络卷积：在 ResNet, MobileNet 或 ConvNeXt 等网络中，可以用 Strip Module 替换原本的$3\times 3$ 或 $7\times 7$卷积块（Spatial Mixing 层）。这将显著扩大有效感受野，同时降低参数量，特定适合遥感图像、场景文字检测（Scene Text Detection）或车道线检测等任务。
     • 增强检测头 (Head)：在 YOLO, Faster R-CNN 或 RetinaNet 的检测头（尤其是 Regression/Localization 分支）中插入 Strip Module。如论文中Strip Head所示，这能显著提升对高长宽比物体的定位精度。
     • 注意力机制替代一种就是：Strip Module 输出的权重图与输入相乘的机制，本质上空间注意力 (Spatial Attention)。它可以作为一种高效的 Attention 模块插入到网络的任何特征融合阶段（如 FPN 的融合后）。

到此，有关HVI-CIDNet的内容就基本讲完了。假设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。

获取更多高质量论文及完整源码关注【AI即插即用】