空中交通影像中的小型目标检测：摩托车主导道路场景的基准研究

本文针对越南高密度摩托车交通场景，提出了UIT-Drone4和UIT-Drone7两个新颖的无人机（UAV）数据集，并系统评估了YOLOv8-v11、Oriented RepPoints等十种先进目标检测算法。研究揭示了现有方法在应对高密度、复杂朝向的小型车辆检测时的关键局限，为（UAV）影像在交通监控、城市规划等领域的应用提供了重要基准。

　　

亮点

定向RepPoints

定向RepPoints [1] 引入了一种创新的方法来检测定向物体，它利用自适应点集而非传统的锚框或直接预测方向。这些自适应点能捕捉定向物体的几何结构，尤其是在复杂和杂乱的环境中。如图2a所示，定向RepPoints不使用传统的锚框；相反，它们利用一个能够捕捉几何结构的自适应点集。

UIT-Drone：基准数据集

尽管DOTA、HRSC2016、SODA-A、DIOR-R和VisDrone等航空影像数据集显著推动了目标检测的研究，但它们在代表自行车、摩托车这一关键对象类别方面存在明显不足。为了弥补这一差距，我们引入了UIT-Drone数据集，该数据集专门设计用于关注航空影像中的摩托车。

实验设置和评估指标

我们使用了MMRotate工具箱[39]中提供的源代码。实验在Ubuntu 20.04操作系统上进行，使用了4块GeForce GTX 2080Ti 11 GB GPU。软件栈包括Python 3.7.16、Pytorch 1.7.0、TorchVision: 0.8.1、OpenCV: 4.8.0、MMCV: 2.1.0和Ultralytics 8.3.37。为了评估遥感图像中目标检测的准确性，我们使用平均精度均值（mAP）作为标准指标。我们遵循PASCAL VOC [40]标准来确定真阳性。

结论

本研究介绍了UIT-Drone4和UIT-Drone7，这是针对越南摩托车主导交通的新型无人机数据集。这些数据集捕捉了多样化的场景，包括高密度城市交通和非管制的农村交叉路口，并提供了详细的方向注释。我们对十种最先进的目标检测方法进行了基准测试，揭示了它们在现实世界场景中的性能差距。我们的分析突出了在小物体检测、处理复杂方向以及应对高密度场景方面存在的挑战。