平衡层次对比学习与解耦查询用于遥感图像细粒度目标检测
计算机视觉与模式识别
2026-01-01 v1
摘要
细粒度遥感数据集通常使用层次化标签结构以由粗到细的方式区分对象，每个对象在多个层级上进行标注。然而，将这种语义层次嵌入到表示学习空间中以提升细粒度检测性能仍然具有挑战性。先前的研究在不同层次上应用监督对比学习，将同一父类下的对象分组，同时区分兄弟子类别。然而，它们忽略了两个关键问题：(1) 标签层次间的数据分布不平衡导致高频类主导学习过程；(2) 学习类别间的语义关系干扰了与类别无关的定位。为解决这些问题，本文提出了一种平衡层次对比损失，并结合解耦学习策略，在检测Transformer（DETR）框架中实现。所提出的损失引入可学习的类别原型，并平衡每个层次中不同类别贡献的梯度，确保每个层次类别在每个小批量中对损失计算的贡献相等。解耦策略将DETR的目标查询分为分类集和定位集，实现任务特定的特征提取和优化。在三个具有层次标注的细粒度数据集上的实验表明，本文方法优于最先进方法。
引用
@article{arxiv.2512.24074,
title = {Balanced Hierarchical Contrastive Learning with Decoupled Queries for Fine-grained Object Detection in Remote Sensing Images},
author = {Jingzhou Chen and Dexin Chen and Fengchao Xiong and Yuntao Qian and Liang Xiao},
journal= {arXiv preprint arXiv:2512.24074},
year = {2026}
}