近日，中国科学院合肥物质院安光所光电子中心团队在光学遥感目标智能感知研究领域取得系列进展，先后提出轻量级关键点定位框架GeoAdapt与频域低秩自适应分割方法Freq-LoRA，分别实现了空中目标关键点的精细定位与恶劣天气下的鲁棒分割。相关研究成果分别以“GeoAdapt: Fine-Grained Keypoint Localization via Deformable Feature Refinement for Ground-Based Optical Remote Sensing”和“Freq-LoRA: Frequency-Domain Low-Rank Adaptation for Weather-Robust Aircraft Segmentation in EO Remote Sensing”为题，发表在Remote Sensing上。
地基光学遥感是远距离监视空中目标的重要手段。然而，在公里级作用距离下，目标成像往往面临光照变化、运动模糊、大气衰减乃至雨雾等恶劣天气的干扰，普遍存在成像尺寸小、纹理弱、信噪比低等突出问题，给目标关键点定位、位姿估计与可靠分割带来严峻挑战。同时，边缘部署与实时处理需求也对算法的轻量化提出了更高要求。
针对复杂环境下空中目标关键点定位、位姿恢复与目标分割难题，研究团队分别提出轻量级关键点检测框架 GeoAdapt 和频域低秩自适应方法 Freq-LoRA。其中，GeoAdapt 在特征金字塔网络的三个尺度上引入可变形卷积 v2（DCNv2），并采用 Wing Loss 与 Bone Loss 组合损失，增强模型对目标局部结构及几何关系的自适应建模能力。基于覆盖多种光照和成像退化条件的 1 万帧自建数据集，以及 ScanEagle 和 Matrice 200 公开数据集开展零样本验证。实验结果表明，GeoAdapt 仅含 5.95 M 参数，较 YOLOv8s-pose 减少 47.9%；PCK@0.05D 达到 89.3%，旋转误差为 11.6°，PCK 较 YOLOv8s-pose 提升 11.7 个百分点，表现出良好的跨域泛化能力和轻量化部署优势。
针对恶劣天气条件下空中目标分割性能易退化的问题，Freq-LoRA 对冻结的 SAM 图像编码器特征进行 DCT-II 频域分解，将其划分为 4 个可学习高斯频带，并通过仅含 140 个参数的图像驱动光谱门控模块，根据输入图像自身的频域统计特征对各频带进行自适应调制，无需额外的天气类别或环境元数据。该方法仅需 559 K 可训练参数，约为全量微调参数量的 1/168；在涵盖五种天气条件的仿真数据集上取得 0.904 的平均交并比，达到全量微调性能的 96.1%，并在真实无人机影像及六种未见图像退化条件下展现出良好的鲁棒性。
两项工作分别从关键点级定位与区域级分割两个层面提升地基光学遥感对空中目标的智能感知能力，为复杂光照与恶劣天气条件下飞行目标自动识别、位姿估计与全天候监视提供了新的技术途径。
夏营威高级工程师为两篇论文的第一作者，硕士研究生余天为论文第二作者，张文副研究员为论文通讯作者。本研究得到中央引导地方科技发展专项资金项目的支持。
GeoAdapt框架图
Freq-LoRA框架图
