摘要
在复杂的城市背景下，低空无人机拍摄的图像会让物体检测器面临诸多挑战：物体尺寸极小、分布密集、尺度变化突然且纹理特征不明显。现有的检测方法通常通过增加更大的神经网络结构、更复杂的特征金字塔或更强的注意力机制来应对这些问题，但这些单独的改进往往会导致背景干扰加剧，从而削弱对小型目标精确定位的能力。本文提出了一种名为DFA-Det的动态特征增强检测器，它将低空小型物体检测视为一个需要同时考虑上下文保留、尺度校准以及内容感知优化的综合问题。该方法首先引入多核起始增强模块，在扩大有效感受域的同时保留物体的细微结构特征；接着构建了具有自适应特征先验学习功能的多尺度交互编码器，以及包含双向通道融合模块的自适应特征缩放层，该模块能够实现不同分辨率之间的通道级信息交换；最后，在检测解码器之前，通过分层优化与自适应融合模块来实现动态上采样、语义优化以及自适应融合。在公开的VisDrone和CODrone测试数据集上的实验表明，与常见的两阶段检测器、单阶段检测器、基于Transformer的检测器以及最新的YOLO系列检测器相比，DFA-Det在小型物体检测的精度、复杂场景下的召回率以及跨尺度适应性方面都有显著提升。大量的消融实验、热图分析以及定性对比结果表明，这些模块是作为一个整体协同工作的动态特征增强机制，而非相互独立的架构组件。
