自适应切片辅助的超推理：用于高分辨率图像中小目标检测的增强方法
计算机视觉与模式识别
2026-04-22 v1
摘要
深度学习基于对象检测器在诸多计算机视觉应用中取得了显著的成功，但它们仍在高分辨率航空和卫星图像中的小目标检测方面存在挑战，其中包含密集目标分布、可变拍摄角度、微小目标尺寸以及显著的类别间变异性。现有的切片策略通过将高分辨率图像划分为可管理的补丁来实现小目标有效感受野的扩大；然而，其固定切片尺寸的依赖导致显著的冗余计算，增加推理成本并削弱检测速度。在本文中，我们提出一种名为"自适应切片辅助超推理(ASAHI)"的新型切片框架，转变主动确定最优切片数量以适应图像分辨率，从而显著减轻冗余计算的同时保持相邻补丁间有益的重叠。ASAHI集成了三个协同组件：(1)一种自适应分辨率感知的切片算法，可动态生成6或12个重叠补丁；(2)一种切片辅助微调(SAF)策略，构建由全分辨率图像补丁和切片图像补丁组成的增强训练数据；(3)一种Cluster-DIoU-NMS(CDN)后处理模块，将Cluster-NMS的几何合并效率与DIoU-NMS的中心距离感知抑制相结合，以实现对拥挤场景中冗余检测的稳健消除。广泛的在VisDrone2019和xView上的实验表明，ASAHI在VisDrone2019-DET-val上达到56.8%的mAP，在xView-test上达到22.7%的mAP，同时将推理时间较基线SAHI方法缩短20%-25%。
引用
@article{arxiv.2604.19233,
title = {Adaptive Slicing-Assisted Hyper Inference for Enhanced Small Object Detection in High-Resolution Imagery},
author = {Francesco Moretti and Yi Jin and Guiqin Mario},
journal= {arXiv preprint arXiv:2604.19233},
year = {2026}
}