一、开篇：遥感目标检测的“天花板”在哪里？
2026年的计算机视觉领域正经历着一场静默而深刻的技术革命。目标检测作为CV领域的基石任务，其精度提升曲线在过去五年中似乎进入了某种“高原期”——当各大SOTA模型在COCO数据集上你追我赶地争夺小数点后两三位精度的时候，一个尴尬的现实逐渐浮出水面：在遥感影像领域，主流模型的表现远未达到工业落地的理想状态。
遥感目标检测的四大痛点绝非危言耸听：
- 尺度极端悬殊：同一张遥感图像中，大型目标（如体育场、桥梁）可能占据数千像素，而小型目标（如车辆、船只）仅占数十像素。传统卷积神经网络的固定感受野设计无法同时兼顾两者。
- 背景复杂如迷宫：城市建筑群、森林、水域、道路交织在一起，目标与背景的边界模糊，极易造成漏检和误检。
- 旋转任意性强：遥感图像中目标朝向没有“正”的概念，传统的水平框检测方案天然存在角度偏差。
- 分辨率超高超大：动辄5000×5000像素以上的遥感图像，对模型的计算效率和内存管理提出了极限挑战。
正是在这样的背景下，ICCV 2023顶会论文提出的LSKNet（Large Selective Kernel Network）首次在遥感目标检测领域探索了大核选择与空间注意力机制的融合，在VisDrone和AI-TOD数据集上分别实现了mAP提升14.3%和17.9%的惊人成绩，同时模型参数量还减
