一、开篇：遥感目标检测的“长条困境”在遥感图像处理领域，有一个长期困扰研究者的问题：怎么有效检测那些“细长条”形状的目标？遥感图像与自然图像存在本质区别。自然图像中，目标通常以正常的宽高比呈现——行人、车辆、动物，大部分目标的宽高比在 1:1 到 3:1 之间。但在遥感图像中，情况完全不同。根据 AAAI 2026 正式发表的 Strip R-CNN 论文，传统的使用大方核卷积或基于 Transformer 的全局建模方法在聚合上下文信息时，会均匀地覆盖所有空间维度，导致细长目标的特征被稀释，定位出现偏差。同时，DENet 论文也指出，光学遥感船舶检测面临着严峻挑战：强烈的背景杂波（如码头、海岸线、尾流条纹）、极端的尺度变化，以及船舶本身细长的几何形状和多样化的朝向，这些因素频繁导致几何对齐偏差、定位不稳定和虚警问题。具体来说，传统卷积面临三大痛点：痛点一：感受野与目标形状不匹配。标准 3×3 或 5×5 的方形卷积核在处理一艘长达 200 像素、宽仅 20 像素的船舶时，要么感受野太小无法覆盖整个目标，要么为了扩大感受野而增大卷积核尺寸，但同时引入了大量来自垂直方向的背景噪声。痛点二：各向异性信息捕获能力弱。方形卷积核天然具有各向同性的特点——在各个方向上等距地聚合信息。但在遥感场景中，桥梁、船舶、飞机等目标的方向性特征极为重要。用方形卷积去学习这些各向异性模式，无异于“削足适履”。痛点三：计算效率与感受野的矛盾。要增