基于 Tiling 的语义门控密集目标检测：组证据的重要性

无人机图像中的密集小目标常因视角偏远、遮挡和杂乱被遗漏[cite: 5]。本文提出一种检测器无关的后处理框架，将重叠导致的冗余转化为组证据[cite: 6]。重叠 Tiling 首先恢复低置信度的候选框[cite: 7]，随后通过空间门控 (DBSCAN 对框心) 和语义门控 (DBSCAN 对 ResNet-18 嵌入) 验证组证据[cite: 7]，验证后的组获得受控置信度重新加权，再经类 aware NMS 融合[cite: 8]。在 VisDrone 数据集上实验，召回率从 0.685 提升至 0.778（+0.093），精度从 0.801 调整至 0.595，F1=0.669[cite: 9]。后处理延迟平均为 0.095 秒/张[cite: 10]。这些结果表明该方法具有召回率优先、精度权衡的行为，利于远场计数和监控等召回率敏感的应用[cite: 10]。消融实验确认：Tiling 暴露遗漏目标，空间聚类稳定几何，语义聚类确保外观一致性，重新加权提供与基线的校准集成[cite: 11]。该框架无需重新训练，即可与现代检测器集成[cite: 12]。未来工作将降低语义门控成本，并拓展时序线索[cite: 13]。