稀疏森林林冠遮挡下的多模态目标检测
计算机视觉与模式识别
2026-05-18 v1
摘要
可靠检测森林 canopy 下的人类 remains a difficult remote-sensing challenge due to sparse, structured, and viewpoint-dependent occlusion. 本文提出了一种多模态概念证明管道，集成三种互补方法：(i) 对LiDAR返回的实验评估以评估主动传感通过植被的可行性；(ii) 使用多尺度变换和稀疏表示框架进行可见-热成像融合以增强人类显著性；(iii) 通过Airborne Optical Sectioning (AOS)形成合成孔径图像以抑制 canopy杂乱。对YOLOv5检测器在Teledyne FLIR热成像数据集上进行微调，并在热成像和融合图像上进行评估。结果表明，测试的陆地LiDAR配置提供的对目标级检测的有限穿透力，而可见-热成像融合在低对比度场景中提高目标可见性，AOS增强合成森林图像中的地面平面检测。微调的YOLOv5在前三类FLIR类上实现约0.83的平均精度。这些发现为无人机可部署的搜救和监视系统奠定了初始基准， operating in forested environments，并激励未来的工作，包括专门的森林数据集和实时多模态集成。
引用
@article{arxiv.2605.15326,
title = {Multimodal Object Detection Under Sparse Forest-Canopy Occlusion},
author = {Nitik Jain and Mangal Kothari},
journal= {arXiv preprint arXiv:2605.15326},
year = {2026}
}