密集残差块超分辨率技术用于提升遥感中的车辆检测性能

《IEEE Access》：Dense Residual Dense Block Super-Resolution for Enhancing Vehicle Detection in Remote Sensing

　　

摘要：

在复杂的交通环境中实现精确的车辆检测仍然是一项具有挑战性的任务，尤其是在处理低分辨率图像和小型目标（如远处的车辆和行人）时。由于硬件限制、传输噪声以及实时处理要求等因素导致的图像质量下降，通常会使得传统的目标检测框架的性能大幅降低。为了解决这些问题，本文提出了一种集成超分辨率辅助的车辆检测框架，该框架结合了基于Transformer的超分辨率（SR）预处理模块和基于YOLOv12的目标检测器。所提出的SR模块旨在利用全局上下文信息和长距离依赖性，从而更准确地重建对小型目标识别至关重要的细节结构。经过增强的高分辨率特征随后被输入到YOLOv12检测器中，该检测器在多个目标尺度上实现了检测精度和计算效率之间的良好平衡。在包括VEDAI-VISIBLE、VEDAI-IR、DOTA和xView在内的多个基准数据集上进行的广泛实验表明，所提出的方法在检测精度上始终优于现有的基于CNN和GAN的超分辨率方法以及基线检测模型。定量和定性结果均证实，在保持实际推理效率的同时，检测精度得到了显著提升，尤其是在检测小型且密集分布的车辆时。这些发现凸显了将基于Transformer的超分辨率技术作为预处理阶段的有效性，有助于构建更加可靠的智能交通和交通监控系统。