摘要
基于无人机（UAV）的三维目标检测在遥感应用中具有重要意义，包括自主巡检、搜索与救援、航空测绘、飞行协作以及场景级环境理解等，其中检测器需要在大规模且观测稀疏的点云中定位多样化的目标。现有的三维目标检测器提供了坚实的基础，但大多数是针对自动驾驶场景开发的，尚未完全适配无人机场景。与道路场景相比，无人机点云通常覆盖更大的区域，包含更多样化的目标类别，并包含大量细小、稀疏且结构各异的目标。因此，许多细小目标仅占据少数几个鸟瞰图（BEV）网格，且包含的有限点云回波；后续的特征聚合和降采样操作会进一步平滑这些稀疏的局部响应，使得目标边界和中心相关响应更难与背景区分开来。我们提出了CenterPoint-UAV，一种端到端的基于体素的检测器，用于改进BEV特征以实现无人机三维目标检测。CenterPoint-UAV引入了上下文-细节BEV增强（CDBE），利用上下文增强分支（CEB）和细节增强分支（DEB）生成互补的BEV特征图，并通过自适应残差融合（ARF）进行融合。随后使用跨层BEV融合（CLBF）将早期BEV细节与深层语义特征相结合，最后采用精细中心头（FCH）实现更密集的中心预测。在大规模真实世界无人机点云数据集WiSAR3D上的实验表明，CenterPoint-UAV在现有方法中达到了最先进的mAP，同时保持了较低的计算开销，证明了其在无人机三维遥感应用中的有效性。
