近期，电气信息工程学院钱晓亮教授团队在高分遥感图像目标检测领域取得了若干研究成果，在地球科学和遥感图像处理领域的顶级期刊《IEEE Transactions on Geoscience and Remote Sensing》上发表论文3篇，其中，两篇论文入选ESI高被引。
1、融合逐点频域注意力和由粗到细渐进式学习的细粒度遥感图像目标检测方法
细粒度目标检测模型致力于检测同一大类中的不同子类目标。两阶段的目标检测架构因其较高的检测精度而被现有模型广泛采用，但它们仍然面临以下两方面问题。首先，主干网络特征的判别能力不足导致相似子类的目标容易出现误识别。其次，主干网络特征对有向目标方向的表达能力不足导致目标定位容易出现偏差。
针对第一个问题，提出了一种图像级监督条件下基于由粗到细渐进式学习的特征判别力增强模块，它依据生成的粗粒度和细粒度图像级类别标签引导主干网络特征逐步增强其对图像级类别的判别能力。针对第二个问题，提出了一种基于离散小波变换的逐点频域注意力模块，它可以自适应融合各个频段的特征，并充分发挥DWT的空间和频域双定位优势，通过逐点注意力将包含局部目标方向信息的频域特征与空间特征进行精准融合。此外，为进一步提升模型对相似子类的分辨能力，提出了一种实例级监督条件下基于由粗到细渐进式学习的目标检测头，它通过依次引入粗粒度和细粒度实例级标签，引导检测头逐步聚焦同一粗粒度类别内各子类间的差异。
论文2026年4月28日发表，以郑州轻工业大学为第一署名单位完成，钱晓亮为第一作者，硕士研究生李晓彬为第二作者，王慰教授和西北工业大学程塨教授为通讯作者。
原文链接：https://ieeexplore.ieee.org/document/11498422
引用格式：Xiaoliang Qian, Xiaobin Li, Wei Wang, Xiwen Yao, and Gong Cheng, Pointwise Frequency Attention and Coarse-to-Fine Learning With Image-to-Instance Level Supervision for Fine-Grained Object Detection in Remote Sensing Images, IEEE Transactions on Geoscience and Remote Sensing, 2026, vol. 64, pp. 1-12, Art no. 5619812.
2、融合多尺度上下文和任务一致性焦点损失的遥感图像有向目标检测方法
两阶段遥感图像有向目标检测方法凭借其优异性能成为目前的研究热点，但现有方法仍面临以下两方面挑战：一方面，现有方法仅依赖有向候选框自身特征来检测目标，在遥感图像类内多样性和类间相似性更为显著的情况下，极易发生目标误分类问题；另一方面，现有方法所使用的损失函数无法在聚焦难样本的同时增强目标分类与目标定位之间的一致性。
针对上述挑战，论文做了以下两方面创新工作：一方面，在基准二阶段有向目标检测模型中引入了多尺度上下文分支，通过有效利用目标的上下文信息来降低目标误分类的概率；另一方面，提出了一种任务一致性焦点损失函数，它不仅使模型在训练中更加关注难以分类或定位的样本，同时还能提升分类与回归任务之间的一致性，从而提升模型的总体检测精度。
论文2026年5月14日入选ESI高被引，以郑州轻工业大学为第一署名单位完成，钱晓亮为第一作者，硕士研究生蹇清清为第二作者，王慰教授和西北工业大学程塨教授为通讯作者。
原文链接：https://ieeexplore.ieee.org/document/11039801
引用格式：Xiaoliang. Qian, Qingqing. Jian, Wei. Wang, Xiwen. Yao and Gong. Cheng, Incorporating Multiscale Context and Task-Consistent Focal Loss into Oriented Object Detection, IEEE Transactions on Geoscience and Remote Sensing, 2025, vol. 63, pp. 1-11, Art no. 5628411.
3、面向遥感图像弱监督目标检测的迭代伪全监督训练YOLO模型
现有的弱监督目标检测模型可分为基于多实例学习的模型和基于伪全监督训练的模型，其中，后者近几年发展较快且展现了更出色的表现，但仍面临以下两方面挑战：一方面，现有的模型倾向于聚焦目标的最显著部分而非完整目标；另一方面，当存在同类别多目标时，现有伪真值样本训练出的全监督目标检测模型容易出现目标漏检问题。
针对上述挑战，论文做了以下两方面的创新工作：一方面，提出类别置信度引导的过滤加权融合算法，通过滤除低类别置信度的候选目标并对高空间重叠的候选目标进行加权融合来实现目标的整体覆盖；另一方面，提出一种伪真值样本的迭代更新策略，使伪真值样本在训练过程中可以持续增强对多目标的覆盖度，更新后的伪真值样本所训练的YOLO模型对多目标具有较好的检测能力。
论文2026年5月14日入选ESI高被引，以郑州轻工业大学为第一署名单位完成，钱晓亮为第一作者，硕士研究生张百惠为第二作者，王慰教授和西北工业大学程塨教授为通讯作者。
原文链接：https://ieeexplore.ieee.org/document/11072190
引用格式：Xiaoliang. Qian, Baihui Zhang, Zhiyuan He, Wei. Wang, Xiwen. Yao and Gong. Cheng, IPS-YOLO: Iterative Pseudo-Fully Supervised Training of YOLO for Weakly Supervised Object Detection in Remote Sensing Images, IEEE Transactions on Geoscience and Remote Sensing, vol. 63, pp. 1-14, 2025, Art no. 5630414.
上述3篇论文得到了国家自然科学基金面上项目、河南省杰出青年科学基金项目、以及河南省高等学校重点科研项目计划基础研究专项的支持。
《IEEE Transactions on Geoscience and Remote Sensing》（IEEE TGRS）是地球科学与遥感领域的旗舰期刊，由IEEE地球科学与遥感技术协会（GRSS）主办，创刊于1963年。该期刊专注于发表高质量的原创研究论文，聚焦遥感科学与工程的理论、技术及应用，涵盖陆地、海洋、大气及空间信息的获取、处理、解释与传播等方面的研究内容。该期刊为中科院一区Top期刊，最新影响因子为8.6。
第一作者：钱晓亮
钱晓亮，男，教授，博士生导师，毕业于西北工业大学，工学博士。河南省杰出青年科学基金获得者，河南省教育厅学术技术带头人。兼任IEEE高级会员，中国图象图形学会高级会员和遥感图像专业委员会委员，中国计算机学会高级会员，河南省电工技术学会和河南省仪器仪表学会理事。担任IEEE TPAMI、IEEE TIP、IEEE TMM、IEEE TGRS、IEEE TNNLS、IEEE TSMCA、IEEE TCSVT、IEEE TIV、IEEE TASE等多个IEEE会刊，和IEEE、Elsevier、Springer、IET、Wiley等多个著名出版商旗下的50余本SCI期刊，以及遥感学报、吉林大学学报（工学版）和工程科学学报等多个国内优秀EI期刊的审稿专家。
主要从事人工智能、高分辨率遥感影像解译、计算机视觉及其在电力安全智能监察中的应用等方面的研究工作。先后主持国家自然科学基金面上项目和青年科学基金项目各1项，河南省杰出青年科学基金项目1项，河南省高等学校重点科研项目基础研究专项1项，河南省科技攻关项目2项、企业委托横向项目7项。作为第一完成人，获河南省科学技术进步奖二等奖1项、河南省教育厅科技成果奖一等奖和二等奖各1项、河南省教育厅优秀科技论文奖一等奖3项、领跑者5000（中国精品科技期刊顶尖学术论文）1项、《遥感学报》和《仪器仪表学报》年度优秀论文奖各1项。作为第一或通讯作者，发表SCI/EI索引论文40余篇，其中，中科院一区Top期刊论文11篇（7篇先后入选ESI高被引）、二区论文11篇；中文EI期刊论文6篇（含中国知网学术精要高PCSI论文、高被引论文、高下载论文2篇）。作为第一发明人，授权发明专利10项。作为第一著作人，在电子工业出版社出版学术专著2部。