用于航拍图像小目标检测的数据驱动 RetinaNet 模型
计算机视觉与模式识别
2025-09-04 v1 机器学习
摘要
在航空成像领域，小目标检测能力对众多应用至关重要，涵盖环境监测、城市设计与危机管理。本研究利用 RetinaNet，提出了 DDR-Net：一种数据驱动的深度学习模型，旨在增强微小目标的检测能力。DDR-Net 引入了新颖的数据驱动技术，以自动确定最优特征图和锚框估计，在保持精度的同时构建了量身定制且高效的训练过程。此外，本文还提出了一种创新的采样技术，以在有限数据训练约束下提升模型效能。该模型增强的检测能力可支持关键应用，包括通过准确识别车辆和行人等小目标来进行野生动物与栖息地监测、交通流优化以及公共安全提升。DDR-Net 显著降低了数据收集和训练所需的时间与成本，即使在数据有限的情况下也能提供高效性能。在多种航空鸟类图像数据集上的实证评估表明，DDR-Net 显著优于 RetinaNet 及其他当代替代模型。这些创新推进了当前的航空图像分析技术，并有望在农业、安全和考古等多个领域产生广泛影响。
引用
@article{arxiv.2509.02928,
title = {A Data-Driven RetinaNet Model for Small Object Detection in Aerial Images},
author = {Zhicheng Tang and Jinwen Tang and Yi Shang},
journal= {arXiv preprint arXiv:2509.02928},
year = {2025}
}