SCLNet：用于 UAV 图像目标检测的尺度鲁棒性互补学习网络
计算机视觉与模式识别
2024-09-12 v1
摘要
大多数近期的 UAV（无人机）目标检测器主要关注一般性挑战，如不均匀分布和遮挡。然而，忽视尺度挑战——包括尺度变化和小目标——仍阻碍 UAV 图像的目标检测。尽管已有工作提出解决方案，但这些方法隐式建模且步骤繁冗，导致检测性能受限。我们发现，互补学习对检测模型有助于解决尺度挑战。因此，本文将其引入，构建尺度鲁棒性互补学习网络（SCLNet），与目标检测模型协同工作。SCLNet 包含两个实现和一种协作方法。具体而言，一个实现基于我们提出的尺度互补解码器和尺度互补损失函数，显式提取互补信息作为补充，称为全面尺度互补学习（CSCL）；另一个实现基于我们提出的对比互补网络和对比互补损失函数，显式引导学习小目标，利用大目标的丰富纹理细节信息，称为跨尺度对比互补学习（ICL）。此外，本文提出了两种实现与检测模型之间的端到端协作（ECoop），以充分挖掘每个潜在价值。
引用
@article{arxiv.2409.07024,
title = {SCLNet: A Scale-Robust Complementary Learning Network for Object Detection in UAV Images},
author = {Xuexue Li},
journal= {arXiv preprint arXiv:2409.07024},
year = {2024}
}