“针对遥感影像小目标检测领域的挑战，研究者们提出了一种全新的检测算法。该算法融合了双重注意力机制和双向特征金字塔，显著提升了遥感影像小目标的检测精度。在遥感影像中，小目标由于所占比例较小，特征信息提取难度增大。为了解决这一问题，研究团队基于YOLOv3网络模型，引入了LKGNet主干网络和GIoU损失函数，创新性地提出了LKGNet-YOLO网络。这一改进不仅提升了特征信息的提取能力，还降低了网络参数量。同时，针对网络特征提取过程中可能受到的噪声信息干扰以及多层信息融合能力不足的问题，研究团队进一步引入DA-LKGNet主干网络和加权双向特征金字塔结构，提出了DA-LKGNet-YOLO网络。这一创新设计增强了网络对特征信息的提取和融合能力，进一步提高了检测精度。为了验证所提方法的有效性，研究团队采用了UCAS-AOD v1.0和AI-TOD两个遥感影像数据集进行实验。实验结果表明，本文方法在多个评价指标上均显著优于其他模型，如YOLOv3、RFBNet等，mAP精度分别高出约3.45%-7.52%、1.36%-4.84%。同时，在小尺度目标上的检测水平也优于Faster-RCNN和YOLOv7算法。此外，与原始YOLOv3网络相比，本方法在浮点运算次数上降低了48%，参数量减少了42%，展现出较高的计算效率。这一研究成果为遥感影像小目标检测领域提供了新的解决方案，为相关研究和应用开辟了新的方向。”