針對遙感圖像中目標尺度差異大、方向任意性強、背景復雜度高等挑戰，本文提出一種基于 YOLOv8 與 LSKNet 的新型旋轉目標檢測框架。通過引入 LSKblock 注意力機制 ，實現對多尺度特征的有效建模與動態感受野調整，顯著提升了模型對小目標與旋轉目標的識別能力。

1. 引言

隨著遙感圖像分辨率的不斷提升，目標檢測任務面臨更復雜的場景挑戰，包括：

• ? 目標尺度變化劇烈(從幾十像素到上千像素不等)；
• ? 目標朝向不固定(如艦船、飛機、車輛等)；
• ? 背景干擾嚴重(如云層遮擋、相似紋理干擾)；

盡管YOLO系列憑借其高效的推理速度和良好的檢測性能廣泛應用于工業界，但其固定的卷積核結構難以有效應對上述問題。為此，我們引入LSKNet中提出的 LSKblock 注意力模塊 ，構建出適用于遙感圖像的增強型 YOLOv8架構，在保留原有檢測效率的同時，顯著提升對小目標和旋轉目標的感知能力。

1.1 遙感目標檢測發展現狀

• 傳統兩階段方法 ：