【变化检测论文学习】Lightweight Remote Sensing Change Detection With Progressive Feature Aggregation and Super

### 轻量级融合策略增强层间特征相关性的小物体检测 对于小物体检测而言，轻量级融合策略通过强化不同层次间的特征关联来提升模型性能[^1]。传统方法可能无法有效捕捉到多尺度下的细节信息，而这种新提出的方案则专注于改善跨层的信息交流。 #### 特征提取网络设计 为了更好地处理小目标识别问题，在基础卷积神经网络之上引入了额外机制以促进深层与浅层特征之间的互动。具体来说： - 浅层特征富含空间位置和边缘纹理等低级别语义； - 深层特征携带更高级别的类别抽象表示； 两者结合可以弥补单一层面表征能力不足的情况，从而提高对细小目标物的辨识度。 #### 增强层间交互的方法 采用自底向上的路径聚合方式，使得每一阶段都能获取到来自分层结构下方更为精细的空间分辨率数据支持。与此同时，还加入了横向连接模块，允许非相邻层级之间直接传递有用信号，进一步加强全局感受野内的上下文理解力。 ```python def enhance_interlayer_correlation(features): """ Enhance the correlation between different layers' features. Args: features (list of Tensor): List containing tensors from various network stages Returns: list of Tensor: Processed feature maps with improved inter-layer relationships """ enhanced_features = [] for i, feat in enumerate(features[:-1]): next_feat = features[i + 1] # Upsample higher-level features to match spatial dimensions upsampled_next_feat = F.interpolate(next_feat, size=feat.shape[-2:], mode='bilinear', align_corners=False) # Combine current and upscaled high-level information using element-wise operations or concatenation combined_feature = torch.cat([feat, upsampled_next_feat], dim=1) # Optionally apply a convolution layer here to fuse these two sources effectively enhanced_features.append(combined_feature) return enhanced_features ``` 此代码片段展示了如何实现上述提到的功能之一——即利用上采样技术将高层次特征图调整至较低层次相同大小，并将其与原始输入相加或拼接起来形成新的复合表达形式。