基于严格平移等变热力图网络的无人机小目标聚焦检测方法

《Remote Sensing》：Rethinking Focus-and-Detect for Aerial Small Object Detection Under a Frozen-Detector Protocol: A Translation-Equivariance-Guided Approach

　　摘要无人机（UAV）图像中的目标通常较小、密集且分布不均匀。主流的聚焦-检测范式——首先定位目标集中的聚焦区域，然后在其内部进行检测——已经显著改善了小目标检测。然而，现有的聚焦模块几乎总是与检测器的架构修改以及基于图块的训练相结合，这使得聚焦机制本身的贡献难以量化。更重要的是，聚焦机制单独能否在不进行任何重新训练的情况下，为现成的检测器带来真正的增益，尚未得到充分验证。为解决这些问题，我们首先将若干代表性开源方法的聚焦模块集成到冻结检测器中，移除架构修改并剥离这些模块所依赖的基于图块的训练，以隔离聚焦机制的真实增益。然后，我们建立了平移等变性作为聚焦区域生成的设计原则，并为此提出了一种严格平移等变的热力图网络。生成的聚焦区域进一步通过超分辨率和图像打包处理，构建更适合冻结检测器的聚焦图像。在VisDrone上的大量实验表明，对于强基线，直接将现有聚焦模块插入冻结检测器通常会带来损害而非帮助；当通过降低输入分辨率来削弱基线时，它们的增益会重新出现，但最终精度仍显著低于高分辨率基线。相比之下，我们的方法在VisDrone-test-dev上将多个强基线检测器的平均精度均值（mAP@0.5:0.95）提高了0.44–1.03点，且无需重新训练。当进一步与基于图块的训练结合时，整体框架在强基线之上实现了1.24–2.22点的总增益。