Telescope：面向超远距离目标检测的可学习双曲线视野化
计算机视觉与模式识别
2026-04-09 v1 机器学习
摘要
自动化高速公路驾驶，尤其是长途重型卡车，要求在高速度下检测超过 500 米的远距离目标，以满足制动距离要求。在远距离时，车辆和其他关键目标仅占据高分辨率图像中的几个像素，导致最先进的目标检测器失败。这一挑战又因商业可用激光雷达传感器的有效范围有限，这些传感器因距离呈二次衰减而不足以满足超远距离阈值，使得基于图像的检测成为最实际可扩展的解决方案，给定商业可用传感器约束。我们引入 Telescope，一个为超远距离自动驾驶设计的两阶段检测模型。该模型包含强大的检测主干网络，以及一种新颖的重采样层和图像变换，以解决检测小且远距离目标的根本挑战。Telescope 在超远距离检测中实现了约 76% 的相对 mAP 提升（将距离超过 250 米处的绝对 mAP 从 0.185 提升至 0.326），所需的计算开销最小，且在所有检测范围内保持强大的性能。
引用
@article{arxiv.2604.06332,
title = {Telescope: Learnable Hyperbolic Foveation for Ultra-Long-Range Object Detection},
author = {Parker Ewen and Dmitriy Rivkin and Mario Bijelic and Felix Heide},
journal= {arXiv preprint arXiv:2604.06332},
year = {2026}
}
备注
Project website: https://light.princeton.edu/telescope