即插即用系列 | ICCV 2025 LEGNet：基于边缘-高斯聚合的轻量级遥感检测网络

论文名称：LEGNet: Lightweight Edge-Gaussian Driven Network for Low-Quality Remote Sensing Image Object Detection

论文原文 (Paper)：https://arxiv.org/abs/2503.14012
代码 (code)：https://github.com/AeroVILab-AHU/LEGNet

GitHub 仓库链接（包含论文解读及即插即用代码）：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

[CVPR/arXiv 2025] LEGNet 论文精读：传统算子“复活”！边缘与高斯驱动的轻量级遥感目标检测网络

论文标题：LEGNet: Lightweight Edge-Gaussian Driven Network for Low-Quality Remote Sensing Image Object Detection

1. 核心思想（3–5句话）

本文针对遥感图像中常见的低质量问题（如低分辨率、运动模糊、阴影遮挡等），提出了一种轻量级骨干网络LEGNet。其核心创新在于设计了Edge-Gaussian Aggregation (EGA)模块，巧妙地结合了传统图像处理的先验知识：在浅层网络利用Scharr 算子锐化边缘以对抗模糊，在深层网络利用高斯先验 (Gaussian Prior)抑制噪声并增强特征显著性。这种“显式算子引导 + 隐式特征学习”的策略，使得模型在极低的参数量下，能够从退化图像中稳健地提取判别性特征。

2. 背景与动机

2.1 背景与痛点

遥感目标检测（RSOD）面临的最大挑战不仅仅是尺度变化，更在于成像质量的退化。传感器噪声、大气干扰、运动模糊以及光照不足（如阴影区域）会导致：

1. 对比度降低：前景与背景难以分离。
2. 结构断裂：关键的边缘信息丢失。
3. 特征响应模糊：深度特征难以聚焦目标中心。
   现有的方法（如 LSKNet, PKINet）虽然在多尺度方面做得很好，但往往忽略了针对“低质量特征”的显式增强，且轻量化模型通常难以保留微弱的细节。

2.2 动机图解分析

看图说话：

• 对比现状：请观察图中的红色虚线框区域。在面对树木遮挡（第一行）和建筑物阴影/低光照（第二行）等极端情况时，强大的基线模型如 ResNet-50、ARC-R50 甚至专门设计的 PKINet-S 都出现了严重的漏检 (Missing)。这说明现有网络在特征模糊或信噪比低时，特征提取能力失效。
• 本文优势：最右侧的LEGNet-S在同样恶劣的条件下，成功检测出了被遮挡的车辆和阴影中的目标。
• 核心引出：这直接证明了单纯堆叠卷积层是不够的，我们需要引入一种机制，能够主动地去“锐化”边缘、“提亮”特征，这就是本文提出 EGA 模块的直接动机。

3. 主要创新点

1. EGA (Edge-Gaussian Aggregation) 模块：创新性地将传统图像处理算子引入深度网络。浅层使用方向感知的 Scharr 滤波器提取边缘，深层使用高斯核进行特征建模，有效对抗图像退化。
2. LoG-Stem 层：在网络入口处设计了基于“高斯-拉普拉斯算子 (LoG)”的 Stem 层，替代传统的卷积 Stem，在初始阶段就实现了噪声抑制与边缘增强的双重功效。
3. LEGNet 轻量级架构：构建了一个高效的四阶段骨干网络，在参数量显著低于 ResNet-50（仅约 1/3甚至更少）的情况下，在 DOTA、VisDrone 等数据集上取得了 SOTA 性能。
4. 分层处理策略：提出了“浅层重边缘，深层重语义（高斯）”的宏观设计理念，避免了在深层强行提取边缘导致的特征冗余和干扰。

4. 方法细节（核心干货）

4.1 整体网络架构

数据流解析：

• Input：输入图像I II。
• LoG-Stem：图像首先经过 LoG-Stem 层。这里利用 LoG 滤波器（高斯平滑+拉普拉斯边缘检测）进行下采样，输出1 / 4 1/41/4分辨率的特征图，能够有效过滤高频噪声并保留边缘。
• 4-Stage Pyramidal Structure：
  • Stage 1：处理1 / 4 1/41/4分辨率特征。包含N 1 N_1N1​个LEG Block。关键点：此阶段侧重于边缘提取。
  • Stage 2-4：分别处理1 / 8 , 1 / 16 , 1 / 32 1/8, 1/16, 1/321/8,1/16,1/32分辨率特征。通过DRFD 模块进行下采样，随后堆叠LEG Block。关键点：这些阶段侧重于高斯特征建模。
• Output：输出多尺度特征金字塔，送入检测头（如 Oriented R-CNN）。

4.2 核心模块 A：LEG Module (Lightweight Edge-Gaussian Module)

模块拆解：
这是 LEGNet 的基本构建单元，设计非常精简：

1. 输入：特征F i n F_{in}Fin​。
2. EGA 处理：输入首先通过EGA 模块（核心中的核心，见下文），得到增强后的特征F e g a F_{ega}Fega​。
3. ECA 注意力：为了突出关键通道，F e g a F_{ega}Fega​经过 GAP（全局平均池化）和 1D 卷积（ECA 策略），生成通道权重。
4. 特征重加权：将通道权重作用于F e g a F_{ega}Fega​，并与原始输入F i n F_{in}Fin​进行残差连接和归一化，得到输出。
   设计目的：在极低的计算成本下，通过 EGA 注入先验知识，并通过 ECA 筛选关键通道信息。

4.3 核心模块 B：EGA Module (Edge-Gaussian Aggregation)

设计拆解与工作机制：
这是本文的灵魂所在，它包含一个条件分支选择机制：

• 分支 1：Edge Extraction (用于 Stage 1)

  • 操作：使用固定的Scharr 算子（比 Sobel 旋转不变性更好）分别计算 X 和 Y 方向的梯度，然后合成边缘图A e d g e A_{edge}Aedge​。
  • 目的：在浅层，特征分辨率高，显式的边缘信息能帮助网络在模糊图像中“看清”物体轮廓。

• 分支 2：Gaussian Modeling (用于 Stage 2-4)

  • 操作：使用固定的高斯卷积核对特征图进行平滑处理，得到A g a u s s A_{gauss}Agauss​。
  • 目的：在深层，分辨率降低，边缘不再清晰，特征呈现“斑点状”分布。高斯核能抑制背景噪声，强化目标中心的响应（类似 Heatmap），解决特征响应微弱的问题。

• 特征融合：

  • 将提取的先验特征（边缘或高斯图）加回到输入特征上。
  • 通过一个轻量级的Conv Block进行特征变换。
  • 最后通过Sigmoid生成权重图，对原始特征进行空间加权（Element-wise Multiplication）。

理念与机制总结

LEGNet 的哲学是“Prior-Guided Feature Refinement” (先验引导的特征细化)。
作者认为，与其让网络从零开始学习如何对抗模糊和噪声，不如直接把“去噪”和“边缘增强”的数学算子（LoG, Scharr, Gaussian）硬编码到网络中。

• 浅层：网络需要“眼镜”看清轮廓→ \rightarrow→引入 Scharr 算子。
• 深层：网络需要“聚光灯”找到物体核心→ \rightarrow→引入高斯核。
  这种设计不仅计算量极小（算子参数固定，不需要训练），而且物理意义明确，极大地提高了模型在低质量图像上的鲁棒性。

5. 即插即用模块的作用

本论文提出的模块具有很强的通用性，适用于以下场景：

1. LoG-Stem 层：

   • 适用场景：任何对噪声敏感的视觉任务（如夜间检测、雨雾天检测）。
   • 用法：可以直接替换 ResNet、VGG 等标准骨干网络的第一层7 × 7 7\times77×7卷积，能显著提升初始特征的纯净度。

2. EGA 模块 (Edge-Gaussian Aggregation)：

   • 适用场景：轻量化模型设计或低质量图像增强。
   • 用法：可以作为一种 Attention 机制插入到现有 CNN 的 Block 中。如果你做的是无人机航拍（运动模糊多）或卫星遥感（分辨率低），在浅层插入 Scharr 分支，在深层插入 Gaussian 分支，往往能带来涨点。

6. 实验简单分析

• DOTA-v1.0 SOTA：
  • LEGNet-S (Small版本) 达到了80.03% mAP，这是单尺度训练下首次突破 80% 大关的轻量级模型，甚至超过了 ResNet-50 和专门设计的 ARC-R50。
  • LEGNet-T (Tiny版本) 仅用3.6M的参数量就达到了78.96% mAP，性价比极高。
• 鲁棒性验证：
  • 在 VisDrone2019（无人机视角，小目标极多）上，LEGNet-S 达到了32.2% AP，在小目标 (A P s AP_sAPs​) 上比基线提升了 2.1%，证明了其对微弱特征的捕捉能力。
• 消融实验：
  • 去掉 LoG-Stem 掉点，去掉 EGA 掉点更为严重。
  • 有趣的是，如果只用 Edge 分支或者只用 Gaussian 分支，效果都不如“浅层Edge+深层Gaussian”的组合好，验证了作者“分层处理”理念的正确性。

到此，所有的内容就基本讲完了。如果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😄。

7. 获取即插即用代码关注 【AI即插即用】