Os alvos de sensoriamento remoto possuem grandes variações de escala. Para lidar com a dificuldade de extração de características multiescala de nível fino sob interferências de fundo complexas e a representação ineficaz na parte de previsão, este artigo propõe um método de detecção de alvos multiescala de sensoriamento remoto baseado na ideia de ausência de caixas âncora, chamado de extração multivariada de características e otimização de caracterização (Multivariate Feature extraction and Characterization optimization, MFC). Na parte de extração de características, foi projetado um módulo de extração multivariada de características (Multivariate Feature Extraction, MFE) para explorar características multiescala de nível fino, ampliar o campo receptivo e reforçar o efeito combinado de múltiplas escalas de características por meio de operações de agrupamento e conexões entre grupos, além de fortalecer a atenção aos alvos pequenos pela integração de informações contextuais; estrutura de agregação profunda é utilizada para fundir plenamente características de camadas profundas e superficiais, visando obter uma representação mais abrangente. Na parte de previsão, é proposta uma estratégia de otimização de caracterização (Characterization Optimization Strategy, COS), utilizando mapeamento elíptico para otimizar etiquetas e se adequar aos alvos de sensoriamento remoto com grandes razões de aspecto, além de um mecanismo combinado de atenção de coordenadas e pixels para focar nos canais, posição e informação pixel dos alvos multiescala, reduzindo interferências de fundo complexas e destacando a representação efetiva das informações. Experimentos de ablação e comparação nos conjuntos de dados DIOR, HRRSD e RSOD indicam que o modelo MFC alcançou mAPs de 70,9%, 90,2% e 96,9%, respectivamente, superando a maioria dos métodos existentes, melhorando efetivamente os problemas de detecção falsa e omissão, com boa adaptabilidade e robustez.

alvos multiescala de sensoriamento remoto; sem caixas âncora; características multivariadas; otimização de caracterização; atenção