AD-Det：针对无人机图像中聚焦小目标和平衡尾部类别的目标检测
计算机视觉与模式识别
2025-04-29 v2
摘要
无人机(UAV)图像中的目标检测面临显著挑战，主要源于复杂的尺度变化和目标类别之间的不平衡。在现有方法中，这些挑战往往被单独处理，忽略了无人机图像的内在复杂性以及它们之间潜在的协同作用。为此，本文提出AD-Det，一种新型框架，采用连贯的粗到细策略无缝集成两个关键组件：自适应小目标增强(ASOE)和动态类别平衡复制粘贴(DCC)。ASOE 利用高分辨率特征图识别和聚类包含小目标的区域，然后将这些区域放大并由细粒度检测器处理。另一方面，DCC 通过动态将尾部类别对象复制粘贴到 ASOE 获取的聚类中心周围进行对象级别的抽样，并为每个尾部类别维护动态内存银行。这一方法使 AD-Det 能够不仅提取小目标区域以实现精确检测，还能对尾部类别对象进行动态合理的抽样。因此，AD-Det 通过一种协同和自适应的框架，解决了无人机图像中尺度变化和类别不平衡的挑战，从而提升了整体检测性能。我们在两个公共数据集上广泛评估了该方法，即 VisDrone 和 UAVDT，结果表明 AD-Det 显著优于现有竞争性方法。值得注意的是，AD-Det 在 VisDrone 数据集上实现了37.5% 的平均精度(AP)，超越其对手至少3.1%。
引用
@article{arxiv.2504.05601,
title = {AD-Det: Boosting Object Detection in UAV Images with Focused Small Objects and Balanced Tail Classes},
author = {Zhenteng Li and Sheng Lian and Dengfeng Pan and Youlin Wang and Wei Liu},
journal= {arXiv preprint arXiv:2504.05601},
year = {2025}
}
备注
Published in Remote Sensing