A detecção leve de objetos em imagens de sensoriamento remoto tem um valor fundamental para o processamento eficiente de dados de sensoriamento remoto e sua aplicação em cenários reais. Objetos circulares ou quase quadrados (como tanques de petróleo, veículos, etc.) são muito comuns em imagens de sensoriamento remoto. A detecção precisa desses objetos é importante para tarefas como monitoramento de recursos e planejamento urbano. Com a melhoria contínua da precisão da detecção de objetos em imagens de sensoriamento remoto, a complexidade do modelo aumentou significativamente, e os métodos existentes têm dificuldade em alcançar um equilíbrio eficaz entre precisão e complexidade do modelo. Para abordar este problema, com base em redes existentes para detecção de objetos circulares ou quase quadrados, propôs-se um método leve de detecção de objetos em imagens de sensoriamento remoto baseado na reconstrução espacial-canal, visando reduzir a complexidade do modelo ao mesmo tempo em que mantém alta precisão. Primeiro, para a redundância de informações na dimensão espacial do mapa de características, utilizou-se uma unidade de reconstrução espacial que separa o mapa de características de acordo com a riqueza das informações espaciais, obtendo um grupo rico em informações espaciais e outro redundante; em seguida, realiza-se uma operação de reconstrução cruzada entre os dois grupos para reduzir a redundância espacial e melhorar a representação espacial dos objetos de sensoriamento remoto. Depois, para a redundância de informações de canal no mapa de características, propôs-se uma unidade de reconstrução de canal baseada em convolução parcial, dividindo o mapa de características em duas partes ao longo da dimensão do canal: uma parte utiliza convolução parcial para extração eficiente de características, e a outra utiliza convolução ponto para obter informações detalhadas ocultas. As duas partes do canal são reconstruídas e concatenadas com pesos para extrair características com menor custo computacional e melhorar a representação de canais importantes. Os resultados experimentais mostram que o método proposto reduz efetivamente o custo computacional e o número de parâmetros do modelo, mantendo uma boa precisão de detecção.

imagens de sensoriamento remoto;detecção de objetos;objetos circulares;modelos leves;unidade de reconstrução