PRNet：原始信息即你所拥有的一切
计算机视觉与模式识别
2025-10-13 v1
摘要
航拍图像中的小目标检测在特征提取过程中因有限的像素表示而遭受严重的信息退化，其中浅层空间细节无法与语义信息有效对齐，导致频繁的漏检和误检。现有的基于FPN的方法试图通过后处理增强来缓解这些损失，但重建的细节常常偏离原始图像信息，阻碍其与语义内容的融合。为解决这一局限，我们提出PRNet，一个实时检测框架，通过优先保留和高效利用原始浅层空间特征来增强小目标表示。PRNet通过两个模块实现这一目标：用于通过骨干网络复用和迭代优化实现空间-语义对齐的渐进优化颈部（PRN），以及用于在降采样过程中通过优化重排和卷积保留浅层信息的增强切片采样（ESSamp）。在VisDrone、AI-TOD和UAVDT数据集上的大量实验表明，PRNet在可比计算约束下优于最先进方法，实现了更优的精度-效率权衡。
引用
@article{arxiv.2510.09531,
title = {PRNet: Original Information Is All You Have},
author = {PeiHuang Zheng and Yunlong Zhao and Zheng Cui and Yang Li},
journal= {arXiv preprint arXiv:2510.09531},
year = {2025}
}