通过密度裁剪引导的半监督检测器改进了对航空图像中小物体的检测效果。在训练过程中，使用已标记和未标记图像中识别出的物体簇的图像作为训练集的增强，提高了对小物体的检测和为未标记图像生成的伪标签质量。在推理过程中，该检测器不仅能够检测感兴趣的物体，还能够检测到密度较高的小物体区域，结合输入图像和图像裁剪的检测结果，从而实现更准确的物体预测，特别是对于小物体。

Aug, 2023

本文提出了一种高效的级联缩放检测器（CZ），它利用密度引导的训练和推断解决了在高分辨率航拍图像中检测拥挤小目标的问题，并在 VisDrone 数据集上表现出优异的性能。

Mar, 2023

本论文提出了一种利用聚类检测（ClusDet）网络来解决机载图像中小物体检测困难的问题，并在三个通用数据集上展现了其与其他检测器相比很有潜力的表现。

Apr, 2019

研究密度图估算在拥挤场景中对人群分析（计数、检测和跟踪）的性能及其质量评估指标，探讨使用经典卷积神经网络和滑动窗口回归器解决下采样步长导致分辨率下降的问题，发现分辨率低的密度图在计数任务中得分较高，而分辨率高的密度图则可以提高检测和跟踪等位置精度任务的性能，并提出了多项性能指标。

May, 2017

本文在 VisDrone2019 数据集上使用 CenterNet 方法对航空图像目标检测进行评估，同时探究了不同骨干网络和分辨率对模型性能的影响。

Aug, 2019

提出了一种无与伦比的基于相机的多 UAV 协同三维物体检测范式 UCDNet，通过显式利用 UAV 到地面的深度信息作为强先验，为更准确和可推广的特征映射提供参考。此外，设计了一种同质点几何一致性损失作为辅助自监督方法，直接影响特征映射模块，从而增强多视角感知的全局一致性。在 AeroCollab3D 和 CoPerception-UAVs 数据集上的实验结果表明，与基准方法相比，我们的方法分别提高了 4.7％和 10％的 mAP，证明了 UCDNet 的优越性。

Jun, 2024

本文研究了基于深度学习的 Faster R-CNN 在航空图像目标检测中的应用，通过对多种策略的探索，成功提升了模型在 iSAID 数据集上的平均精度（mAP），为航空图像目标检测提出了有效的解决方案。

Jan, 2022

本文提出了三种数据增强方法，包括比例自适应模块、镶嵌技术和数据集重采样，以解决航空图像目标检测中的尺度变化、稀疏性和类别不平衡问题，并在 VisDrone 和 UAVDT 数据集上实现了最先进的性能。

Sep, 2020

通过双视图检测系统 DVDET，提出了一种基于地理变形的训练模块，实现了 2D 图像空间和 3D 物理空间的空中单目物体检测，并利用新的数据集 AM3D，证明了模型的可行性及性能。

Aug, 2022

该论文研究了自动驾驶场景下高精度的 3D 物体检测问题。其提出了 Multi-View 3D networks（MV3D）框架，该框架采用多传感器融合技术，将 LIDAR 点云和 RGB 图像作为输入，并预测有方向的 3D 界限框。实验表明，该方法在 3D 定位和 3D 检测任务方面的表现优于现有技术约 25％和 30％，在 2D 检测中也表现出显著的技术优势。

Nov, 2016