可变形卷积一区TOP新思路！刷爆遥感SOTA！

今天我们来聊聊近年被广泛关注的顶刊焦点：可变形卷积+遥感。

在遥感图像中，可变形卷积在处理形变、区分目标与背景及跨场景尺度目标时，明显优于传统方法，因为它可以自适应调整采样位置，增强对形变目标的建模能力，从而更有效地应对形变问题、提升目标检测的准确性。

更亮眼的是，可变形卷积拥有很高的灵活性和适用性，很容易就集成到现有的遥感图像处理框架中，无需对原有网络进行大幅修改或重新训练，从而显著提升处理效率，可以说为遥感任务提供了新的解决方案和性能提升，也给我们提供了更多的创新空间，是个写论文搞创新的好选择。

为了方便大家找idea，我这边整理了9篇最新的可变形卷积+遥感论文，开源代码已附，强烈建议想发顶会顶刊的同学研读。

全部论文+开源代码需要的同学看文末

Fourier-Deformable Convolution Network for Road Segmentation From Remote Sensing Images

方法：论文提出了一种用于遥感图像道路分割的新型神经网络模型FDNet，结合了可变形卷积和傅里叶卷积的优点，通过引入自适应傅里叶卷积层和显著性感知变形卷积层，在复杂道路条件下实现对弱小和连续道路特征的有效捕捉，并通过拓扑约束损失函数提高了模型的分割性能。

创新点：

• 新增SD-Conv层，通过动态偏移机制提升细微道路特征提取。

• 自适应频率滤波器层增强全局结构特征提取，改善道路长程依赖捕获。

• 持久同调约束理论结合softDice损失，增强复杂道路条件下模型的连续性和准确性。

Dctnet: Hybrid Network Model Fusing with Multiscale Deformable Cnn and Transformer Structure for Road Extraction from Gaofen Satellite Remote Sensing Image

方法：作者结合了可变形卷积和遥感技术的方法，用于从高分辨率的Gaofen卫星遥感图像中提取道路信息，提出了一个混合网络模型DCTNet，它结合了多尺度可变形卷积模块和Transformer结构，以提高道路提取的准确性和自动化水平。

创新点：

• DCTNet融合CNN和Transformer，通过双分支编码器提升道路分割精确度。

• 多尺度可变形卷积模块增强模型对道路复杂形状的适应性。

• Transformer模型和CNN特征融合，显著提升道路提取性能，IOU和OA分别达到86.5%和97.4%。

Improved Deformable Convolution Method for Aircraft Object Detection in Flight Based on Feature Separation in Remote Sensing Images

方法：论文讨论了可变形卷积在遥感图像中的应用，提出了一种改进的可变形卷积方法，称为特征响应分离可变形卷积FRS-DCN模块，并将其应用于基于YOLOv8的目标检测模型，以提高在复杂背景下，尤其是小目标和飞行中的航空器目标的检测性能。

创新点：

• 引入递归特征金字塔模块，提升云层干扰下目标物体的检测置信度。

• 使用超高斯函数生成语义分割标签，减少硬标签误差，无需额外人工标注。

• 提出含多种飞机和场景的新飞机对象数据集，约1/3图像含云干扰，支持复杂场景目标检测。

DCD-FPI: A Deformable Convolution-Based Fusion Network for Unmanned Aerial Vehicle Localization

方法：论文讨论了可变形卷积技术在遥感图像中的应用，特别是在无人机定位领域，提出了一种名为DCD-FPI的新型网络模型，结合了基于Transformer的模型和可变形卷积，以增强处理非刚性图像变形的能力并捕获详细信息。

创新点：

• 该模块通过自适应的空间特征融合方法，将三层金字塔结构的特征图进行融合。

• 提出了一种结合Transformer与变形卷积的新型网络模型DCD-FPI，用于无人机的视觉自定位。

• 模型性能提升的同时，降低了计算复杂度和参数量，提高了效率。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“卷积遥感”获取全部方案+开源代码

码字不易，欢迎大家点赞评论收藏