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

通过针对小目标检测任务设计的联合损失函数，我们提出了一种名为 JointYODNet 的新颖方法，用于通过无人机图像和雷达数据进行小目标检测。我们的方法在各种环境条件下的无人机图像数据集上进行了广泛实验，并评估了不同变体的损失函数，确定了最有效的配方。结果表明，我们的联合损失函数在准确定位小目标方面优于现有方法，具有 0.971 的召回率和 0.975 的 F1 分数，超过了最先进的技术。此外，我们的方法在不同尺度下检测小目标的鲁棒性表现出了 98.6% 的 [email protected] (%)。

Sep, 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

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

本文通过卷积神经网络的端到端目标检测模型，并提出一种通过人为合成数据解决训练数据稀少问题的算法，可以高精度高召回率地解决视频序列中无人机检测问题。

Jun, 2017

使用无人机数据集以及卷积神经网络（CNN）和视觉变换器（ViT）模型，本文重新评估了准确的无人机检测任务，表明基本的 ViT 模型在单一无人机检测方面的性能比最佳 CNN 迁移学习模型提升了 4.6 倍，并且通过多无人机检测实现了令人印象深刻的 98% 和 96% 的 mAP 值。作者总结了 ViT 和 CNN 模型的独特特点，以帮助未来研究者开发更高效的深度学习模型。

Aug, 2023

通过提出仅具有约 6K 参数的新型网络 SYENet，以应对移动设备上的多个低级别视觉任务，在实时方式下实现了最佳 PSNR，并在 Image Signal Processing（ISP），Low-Light Enhancement（LLE）和 Super-Resolution（SR）等应用中获得了 MAI 2022 学习型智能手机 ISP 挑战的最高分数。

Aug, 2023

该研究使用 UAV 和固定监控摄像头构建了一个自动目标检测系统，结合了图像分割、增强和卷积神经网络等技术，可以在 8 秒内检测到目标，并使用合成数据生成和数据增强技术提高检测精度，这一解决方案有望帮助一线应对突发事件和搜救操作。

Apr, 2019

本文提出了一种基于深度学习目标检测的无人机多目标跟踪和三维定位方案，将 TrackletNet Tracker（TNT）和多视图立体技术相结合，能够对设备拍摄的对象进行检测、跟踪并测定其三维坐标。

Oct, 2019

本文提出了一种新的多任务、多阶段神经网络，能够在单次前向传递中同时处理语义分割和基于视觉的航拍图像地理定位两个问题，并在卫星图像中实现商用 GPS 级别的本地化精度以及在 Inria Aerial Image Labeling 数据集和 Massachusetts Buildings 数据集上达到领先水平的分割效果。

Apr, 2018