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

本文研究了针对高分辨率航拍图像中物体检测的挑战，提出了一种基于密度地图的对象检测网络 (DMNet)，并将其应用于图像分割，获得了 VisionDrone 和 UAVDT 两个流行航拍图像数据集的最佳性能。

Apr, 2020

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

本文提出了一种基于强化学习的通用框架，对于出现在高分辨率图像中的各种大小的物体进行检测，可以减少计算成本并保持准确性；实验结果表明，与传统方法相比，可以减少处理像素的数量达 50%，而不会降低检测精度。

Nov, 2017

本文介绍了利用增强学习构建一个应用于小目标检测的自适应放大器，即 AdaZoom，并采用可变放大倍率进行自适应多尺度检测，以及完成 AdaZoom 和检测网络的协同训练。在 VisDrone2019、UAVDT 和 DOTA 数据集上进行了大量实验，验证了 AdaZoom 在不同检测网络上显著提高了性能，并在这些数据集上取得了 state-of-the-art 的表现，尤其在 Vis-Drone2019 上超过了现有方法 4.64% 的 AP。

Jun, 2021

本文提出一种基于聚类的粗到细的目标检测框架，特别针对小物体和高分辨率图像的大规模差异问题，在提高目标检测准确率的同时降低了计算成本。

Mar, 2023

本文提出了一种基于缩放网络的对象分割模型 ZoomNet，采用缩放策略、混合尺度单元和层级混合尺度单元学习圈定隐藏目标并能够适应模糊的背景干扰，用不确定性感知损失提高模型在候选区域中的预测准确度，大幅超越其他 23 种最先进的模型，在 SOD 任务上也取得了最优效果。

Mar, 2022

本文提出了一种新的方法，在静态图像中高效地进行低到高密度场景下的人群计数，该方法通过模块化的形式对极端情况进行特别分析，有效地解决了现有方法不能满足高度多样化人群分类和背景混杂的问题，并经过了广泛的实验评估，证明在不同标准下优于现有技术。

Feb, 2020

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

本文研究了图像分类或搜索领域中基于编码方法（如词袋或 Fisher 向量）的流水线。我们提出并评估了一些用于密集提取图像路径的替代选择，包括基于超像素、边缘和 Zernike 滤波器的方法，并在最近的图像检索和细分分类基准上进行了评估。结果表明，大多数情况下，常规的密集探测器被其他方法超越，在标准检索和细粒度基准上改进了现有技术水平。此外，我们表明，如果沿着边缘而不是在检测到的区域周围提取路径，则现有的斑点和超像素提取方法可以实现高精度。

Oct, 2014