使用谷歌地球 (Google Earth) 的图片和标注每架飞机的边界框，构建了一个名为 HRPlanes 的新型飞机检测数据集，并使用 YOLOv4 和 Faster R-CNN 两种方法进行了评估和结果分析。结果表明，该数据集可以为未来的应用提供有价值的数据来源和基准数据集。此外，本研究的提出的算法和结果可用于飞机检测的不同数据集和模型的迁移学习。

Apr, 2022

本文介绍了一种基于 YOLOv4 的计算机视觉算法，可以快速准确地检测无人机航拍图像中的目标物体，可应用于实时监测等领域。

Mar, 2022

研究提出了一种新的实时目标检测算法 YOLO-Drone，应用于两种新的无人机平台和特定光源，在 UAVDT 和 VisDrone 两个基准数据集以及夜间采集的自制数据集中表现优于现有的状态 - of-the-art 方法，并且在硅基金光 LED 下的性能表现明显优于普通光源，证明了该算法对无人机领域中的目标检测特别是夜间检测任务具有高效的解决方案。

Apr, 2023

通过结合超分辨率和经过修改的轻量级 YOLOv5 架构，我们提出了一种创新的方法，用于在航空影像中准确检测小型密集目标，并通过一系列数据集的评估，证明该模型在高密度遮挡条件下能够实现更好的检测结果，从而为航空影像中的目标检测领域带来显著进展。

Jan, 2024

本文旨在使用仅有少量示例来进行卫星图像中的目标检测，从而使用户能够使用最少的注释来指定任何目标类。我们探讨了来自开放词汇检测和遥感领域的最新方法和思路。我们基于传统的两阶段架构开发了一个少样本目标检测器，其中分类块被基于原型的分类器替代。我们使用大规模预训练模型构建类参考嵌入或原型，并与区域建议内容进行标签预测。另外，我们提出在可用的训练图像上微调原型，以提高性能并学习类似类别之间的差异，例如飞机类型。我们对包含具有挑战性和罕见对象的两个遥感数据集进行了广泛评估。此外，我们研究了视觉和图像文本特征的性能，即 DINOv2 和 CLIP，包括专门针对遥感应用的两个 CLIP 模型。结果表明，视觉特征在很大程度上优于视觉语言模型，因为后者缺乏必要的领域特定词汇。最后，尽管训练参数很少，但开发的检测器在 SIMD 和 DIOR 数据集上表现出优于全监督和少样本方法的性能。

Mar, 2024

使用 You Only Look Twice (YOLT) 管道，通过深度学习技术，在相对较少的训练数据和多个传感器上快速、有效地检测任意尺寸的目标，包括小于 10 个像素。

May, 2018

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

使用深度学习，提出一种混合聚类主动学习方法，以较高效地进行卫星图像中的飞机探测，并展示其结果优于其他主动学习方法。

Feb, 2022

本文提出了一种基于 YOLOV3 和 ShearLet 变换的机场检测方案，使用 MobileNet 和 ResNet18 作为基础网络并重训，同时考虑了 ShearLet 滤波器和新颖的检测子网络结构，实验结果在 DIOR 数据集上表现出明显的优越性。

Mar, 2022

本文提出了一种广义飞行物实时检测模型，可用于迁移学习和进一步研究，同时提出了一种可用于实现的改进模型。通过将第一通用模型训练在包含 40 种不同类别的飞行物数据集上，我们可以使模型提取抽象特征表示，然后在代表真实世界环境的数据集上执行传递学习，从而生成改进的模型，并且我们尝试使用当前最先进的单发探测器 YOLOv8 来解决一些出现的挑战。最后得到的模型达到了 0.685 的 mAP50-95 和 50fps 的平均推断速度。

May, 2023