SDCoNet + YOLO26：用显著性驱动打通小目标检测

SDCoNet + YOLO26：用显著性驱动打通小目标检测

做工业检测或者遥感检测的同学，一定被这个场景折磨过：目标特别小、信号特别弱、背景特别杂。传统方案是先做超分辨率（SR）再做检测，但两个任务串起来总是"各干各的"，效果打折不说，还白白浪费算力。

2026 年 1 月，一篇来自 arXiv 的论文给出了新思路。

SDCoNet（Saliency-Driven Multi-Task Collaborative Network）的核心洞察是：SR 和检测不应该串行执行，而应该通过共享编码器协同优化，再用显著性引导聚焦弱目标区域。论文在遥感小目标数据集上，小目标 AP 暴涨 16.2%。

我把这套思路完整嫁接到了 YOLO26 框架上,同时用ConvNeXt替换了Swin。

一、SDCoNet 核心思想：三个"不对齐"与三个解法

论文全称：SDCoNet: Saliency-Driven Multi-Task Collaborative Network for Remote Sensing Object Detection（arXiv: 2601.12507）

传统 SR→检测 流水线存在三个结构性问题：

SDCoNet 的解法是三个创新模块的协同：

1. 隐式特征共享：SR 和检测共用一个编码器，特征在底层自然协作，避免重复提取。

2. 显著性引导：多尺度显著性预测模块，自动发现弱目标区域、抑制背景干扰。

3. 梯度路由：先稳定检测语义，再把 SR 梯度沿检测方向引导，让 SR 只恢复检测需要的高频细节。

二、为什么用 ConvNeXt 替换 Swin？

原论文用的是 Swin Transformer，但在工业落地场景中，我换成了 ConvNeXt。原因很实际：

动态分辨率：工业检测经常需要 640、1280 甚至更高分辨率输入。Swin 的 window attention 把输入锁死在 224×256，ConvNeXt 是纯卷积，320/416/512/640/1280 随便跑。

部署友好：ONNX、TensorRT、NPU，ConvNeXt 的卷积算子走到哪都支持。Swin 的 shift-window attention 在很多推理引擎上是劝退项。

真多尺度特征：ConvNeXt 四级输出 96/192/384/768 通道，每一级都有不同的语义层次。ViT 类（DINOv3/MAE）只有单一尺度的特征，多尺度靠池化硬凑，信息量差一大截。

而 SDCoNet 的三个核心模块恰恰需要真多尺度特征才能发挥作用——显著性预测在不同尺度上预测不同粒度的目标区域，SR 分支需要多尺度特征来恢复空间细节。

三、整体架构全景

SDCoNet + YOLO26 架构全景

SDCoNet + YOLO26 架构全景

数据流从 Input Image 进入 ConvNeXt Shared Encoder，在三个尺度上同时产生特征图 C0~C3。左侧分支做显著性预测，右侧分支做显著性门控，两者在 FPN 层融合后，分别送入 Detection Head 和 SR Branch。

关键设计：SR 分支只在训练时存在，推理阶段可以完全关闭，不影响检测速度。

四、三个核心模块详解

4.1 显著性预测模块

在三个尺度上各预测一个 saliency map，回答"这个位置是不是目标"：

class SaliencyPredictionModule(nn.Module):
    def __init__(self, in_channels_list, hidden_dim=64):
        self.branches = nn.ModuleList([
            nn.Sequential(
                nn.Conv2d(c, hidden_dim, 1),
                nn.BatchNorm2d(hidden_dim),
                nn.ReLU(inplace=True),
                nn.Conv2d(hidden_dim, 1, 1),
            ) for c in in_channels_list
        ])

    def forward(self, features):
        return [torch.sigmoid(branch(f)) for f, branch in zip(features, self.branches)]

三个尺度的 saliency map 关注不同粒度——浅层关注纹理边缘，深层关注语义轮廓。这种分层设计让小目标在浅层就能被"发现"，大目标在深层被"确认"。

4.2 显著性门控

用 saliency map 调制特征，让模型"聚焦"目标区域：

def forward(self, x, saliency):
    c_weight = self.channel_gate(x)      # 通道注意力：哪些通道重要
    s_weight = self.spatial_gate(x)      # 空间注意力：哪些位置重要
    combined = s_weight * saliency       # 和显著性分数结合
    return x * c_weight * (1.0 + combined)  # 增强目标区域

效果是：目标区域特征被放大，背景杂波被抑制。对小目标特别有效——小目标的信号本来就弱，需要这种主动增强。

显著性门控机制

显著性门控机制

4.3 SR 协同分支 + 梯度路由

SR 分支和检测分支共享编码器特征，但不直接交互。关键在训练时的梯度路由策略：

梯度路由策略

梯度路由策略

训练分为两个阶段：

Phase 1（前 N 个 epoch）：冻结 Encoder 和 SR Branch，只训练 Detection Head。让检测语义先稳定下来。

Phase 2（后续 epoch）：解冻全部参数，启用梯度路由。SR 损失梯度被投影到检测任务的特征子空间，确保 SR 恢复的细节对检测有用。

联合损失函数：

• ：YOLO26 检测损失（BBox + Cls + DFL）
• ：MSE 超分辨率重建损失，权重
• ：检测特征与显著性图对齐损失，权重

关键洞察：SR 分支不是"锦上添花"，而是被检测任务"驯化"的辅助模块。它恢复的细节必须对检测有用，否则梯度路由会抑制其无关梯度。

五、训练配置与动态分辨率

# SDCoNet 专用参数
backbone_type:convnext_base.fb_in22k_ft_in1k
imgsz:640           # ConvNeXt 原生支持任意分辨率
use_sr:true         # 启用 SR 协同分支
sr_scale:2          # SR 放大倍数
sr_weight:0.1       # SR 损失权重（辅助角色，不要太大）
alignment_weight:0.05# 特征对齐权重

# 常规参数
lr0:0.0005
weight_decay:0.0005
cos_lr:true
batch:4

注意 use_sr 可以关闭。如果数据集图像质量本身很好（不需要 SR 增强），关掉 SR 分支可以减少计算开销，只保留显著性引导模块。

ConvNeXt 是纯卷积架构，天然支持任意输入尺寸：

性能数据与动态分辨率

性能数据与动态分辨率

这对于大图切片推理（SAHI）非常友好。

六、模型参数与部署

Base 配置训练 2 epoch 的权重文件约 42M，推理部署很轻量。支持 ONNX、TensorRT、CoreML、TFLite、OpenVINO 等格式导出，INT8 量化与 FP16 半精度推理完美兼容。

七、和往期文章方案对比

它是唯一同时具备以下能力的：

• 显著性引导：主动发现弱信号目标，不是被动等待
• SR 协同增强：低质量图像恢复细节，不是简单放大
• 梯度路由：多任务优化不冲突，不是简单相加

如果你的场景是工业小缺陷、遥感小目标、或者低分辨率图像检测，这个项目值得优先尝试。

选 sdco-yolo26：小目标、弱信号、低质量图像、需要 640+ 分辨率

• 工业小缺陷检测（PCB、钢材表面、晶圆）
• 遥感小目标（车辆、船舶、飞机）
• 低分辨率图像增强检测

选 convnext-yolo26：通用检测，不需要 SR 增强，追求简洁

• 常规物体检测
• 对推理速度要求极高
• 数据集质量本身较好

选 dinov3-yolo26：少样本、需要强语义迁移

• 新场景快速适配
• 标注数据极少
• 需要利用预训练语义

选 swin-yolo26：对输入分辨率要求不高（224 够用），追求全局建模

• 固定分辨率场景
• 需要长距离依赖建模
• 不介意部署复杂度