【TCSVT 2025】边缘高斯聚合模块 EGA：目标检测再登 SOTA

最新推荐文章于 2025-05-11 09:30:00 发布

CV缝合救星

最新推荐文章于 2025-05-11 09:30:00 发布

阅读量1.2k

点赞数 16

分类专栏： 2025深度学习即插即用模块文章标签：深度学洗 CVPR 即插即用模块

本文链接：https://blog.csdn.net/weixin_43009052/article/details/147621832

版权

2025深度学习即插即用模块专栏收录该内容

6 篇文章

订阅专栏

🌈 小伙伴们看过来～

写推文真的不容易，每一行字、每一张图都倾注了我们的心血💦 如果你觉得这篇内容对你有帮助、有启发，别忘了顺手点个赞、转发一下、或者点个“在看” 支持我们一下哈～✨

你的一点鼓励🌟，对我们来说就是超大的动力！

👀 小声提醒：用电脑打开阅读更舒服哟，排版清晰、体验更棒！谢谢大家～我们会继续努力产出优质内容，陪你一起进步呀✌️❤️

01论文信息

论文题目：LEGNet: Lightweight Edge-Gaussian Driven Network for Low-Quality Remote Sensing Image Object Detection (TCSVT 2025 顶刊)

中文题目：LEGNet：轻量级边缘-高斯驱动网络用于低质量遥感图像目标检测

论文链接：https://arxiv.org/pdf/2503.14012

即插即用模块： EGA| 边缘高斯聚合模块

02论文概要

Highlight

图1：在 DOTA-v1.0 测试集上的可视化结果 [1]。
所有模型均基于 Oriented R-CNN [2] 构建。我们的 LEGNet 在遮挡和低光照等复杂条件下展现出稳健的检测能力，例如被树木或建筑物遮挡的目标，准确性与鲁棒性均超越了以往的最新方法。

图2：LEGNet 架构概览。
该网络包含四个阶段。H、W 和 C 分别表示特征图的高度、宽度和通道数。AN 表示带有激活函数的归一化层，Conv 表示卷积层。

03研究背景

在遥感图像目标检测（Remote Sensing Object Detection, RSOD）任务中，模型面临诸多挑战：

1. 图像质量退化问题：遥感图像多采集于卫星或无人机等高空平台，常伴随低分辨率、成像模糊、噪声干扰、光照不足及目标遮挡等问题。这些因素严重削弱了图像特征的判别能力，导致模型在边界感知上的模糊、响应不稳定，从而降低检测精度。

2. 目标分布复杂：相比自然图像，遥感场景中的目标存在尺度变化大、姿态各异、密集重叠等特性。传统检测方法往往依赖自然图像的先验假设，难以适应这类复杂条件，在低质量图像中表现更为有限。

为应对上述问题，尽管已有研究尝试通过引入多尺度感知结构或 Transformer 架构来增强上下文建模能力，但仍存在计算开销大、边界感知能力弱等瓶颈。特别是在边缘模糊或不确定性高的区域，现有方法对关键特征的建模仍显不足。

为此，本文提出了一种 边缘-高斯聚合（Edge-Gaussian Aggregation, EGA）模块，结合边缘增强与不确定性建模的优势，有效提升检测鲁棒性：

边缘增强：基于 Scharr 滤波器构建的边缘提取模块具备旋转不变性，可在浅层准确定位目标边界；
不确定性感知：引入固定参数的高斯卷积核，对深层中低置信度特征进行概率建模，抑制噪声、强化前景响应。

该模块具备良好的轻量性与适应性，在提升低质量遥感图像特征建模能力的同时，保持较低的计算资源消耗，为资源受限环境下的高效目标检测提供了可行路径。

04模块原理解读

📌 模块解析 | EGA 模块原理详解：边缘感知与高斯聚合的融合策略

在计算机视觉任务中，如何有效建模模糊区域的边缘特征、抑制高频噪声，同时增强对关键结构的感知能力，是一个重要挑战。本文将介绍一种具备边缘感知能力的轻量化模块 —— EGA 模块（Edge-Gaussian Aggregation Module），从高斯建模、边缘增强到特征融合，逐步剖析其核心思想与实现逻辑。

图 3：EGA（Edge-Gaussian Aggregation）模块结构示意。

🔹 1. 构建空间不确定性先验

EGA 模块首先引入一个固定参数的高斯滤波器，用于模拟图像局部区域的连续性和平滑性。不同于传统卷积方式，该模块采用深度可分离卷积策略，使高斯核在每个通道上独立作用，具备更强的局部建模能力。

能够有效保留模糊区域中的边缘结构；
同时压制高频噪声干扰；
为后续不确定性建模提供结构化先验。

✅ 优势：在保持模型轻量的同时，增强了模糊区域的判别性与鲁棒性。

🔹 2. 边缘响应增强与激活归一化

在高斯滤波的基础上，EGA 模块进一步引入标准化操作（Normalization）与非线性激活（Activation Function），以强化边缘区域的响应特征。

提高了模型对结构信息与边界细节的敏感性；
在噪声环境或纹理模糊场景下，仍可保持清晰稳定的边缘表征。

✅ 关键点：边缘在此阶段得到显著增强，为后续的高层语义建模打下基础。

🔹 3. 特征重构与残差融合

为了进一步提升特征表达能力，EGA 模块设计了一个可选的特征增强分支，通过多层卷积对边缘增强后的特征图进行重构建模，并与原始特征进行残差连接（Residual Connection）。

实现了结构信息的有效保留；
同时提升了对关键区域的聚焦能力；
有助于增强整体特征的语义判别力与抗干扰能力。

✅ 融合策略亮点：既保留了底层细节，又增强了高层语义，使模型在复杂场景下表现更稳健。

总结

EGA 模块通过“高斯建模 + 边缘增强 + 残差融合”的三阶段设计，成功在结构保持与特征增强之间找到平衡点，特别适用于目标检测、图像分割等对边缘敏感的视觉任务。作为一个轻量、模块化的设计，EGA 可灵活集成至主干网络中，为模型带来更强的鲁棒性与表达能力。

05创新思路

CV缝合救星原创模块

视频讲解

🧠 模块升级 | EGA++：多分支边缘-高斯聚合模块（模糊区域增强建模模块）

EGA++ 模块是在原始 EGA（Edge-Gaussian Aggregation）结构基础上的增强版，旨在解决单尺度建模、通道独立处理和边缘响应不显性等限制，通过多尺度建模、不确定性感知、边缘显式引导与通道注意力机制，实现对模糊区域更有效的结构建模与语义增强。

一、原始 EGA 模块结构特点回顾

1. 单尺度高斯建模：使用固定高斯核对每个通道独立进行空间平滑处理，能够一定程度上增强模糊区域的边缘轮廓，但尺度单一，表达力有限。

2. 无跨通道交互机制：各通道处理互不干扰，缺乏对通道间语义差异与互补性的建模，限制了特征表达的丰富性。

3. 结构轻量、推理高效：模块整体结构简单，计算开销低，适合部署于嵌入式或边缘计算设备。

4. 边缘增强隐式建模：边缘信息主要依赖高斯滤波响应，缺乏显性建模能力，难以刻画复杂边缘和细节结构。

二、EGA++ 核心创新与结构升级

为弥补上述不足，EGA++ 模块提出三大核心改进：

1. 多尺度不确定性建模

并联引入多种尺寸（如 3×3、5×5）与方差配置的固定高斯核；
强化模型对不同尺度模糊结构（如软边缘、模糊区域）的建模能力；
有效提升目标边界的清晰度，增强整体结构的稳定性。

🎯 优势：解决单尺度建模局限，适配多样化模糊区域。

2. 通道注意力调制机制（ECA）

引入轻量级的 ECA（Efficient Channel Attention）机制，基于一维卷积自适应调节各通道权重；
强调关键区域，压制冗余噪声；
提升跨通道语义整合能力与表达精准度。

🎯 优势：强化显著语义响应，避免通道独立处理造成的信息孤岛效应。

3. 融合增强残差结构

综合融合三类特征：原始输入特征、边缘增强特征、高斯平滑特征；

引入残差连接机制，保持浅层结构信息的完整性；

增强特征表达的稳定性、可迁移性与上下文关联性。

🎯 优势：实现模糊边缘、原始特征与全局平滑的协同建模。