本文着重于构建一个针对复杂场景的无人机基准测试数据集，并对基准测试集中的物体检测、单目标跟踪和多目标跟踪进行了详细的定量分析，实验结果表明目前最先进的方法在这个数据集上的表现相对较差，给出了这一问题的多方面解决方案。

Mar, 2018

本篇论文介绍了一个名为VisDrone2018的大规模视觉对象检测和跟踪基准，目的在于推进基于无人机平台上的视觉理解任务，其包含了14个不同城市的各种城市/郊区地区的图像和视频序列，并提供了丰富的标注，如物体边界框的位置, 物体类别, 遮挡, 截断比等，是迄今为止发表的最大的数据集之一，可广泛评估并研究在无人机平台上的视觉分析技术。

Apr, 2018

本文介绍了一个被称作VisDrone的大规模数据集并探讨了无人机平台上的目标检测与跟踪算法。

Jan, 2020

介绍了MOR-UAV数据集和MOR-UAVNet框架，该框架可以实现对UAV视频中的移动物体进行识别、分类和定位，无需预定义目标初始化，并针对MOR-UAV数据集进行了定量和定性实验。

Aug, 2020

本文研究了计算机视觉和深度学习技术在无人机检测方面的表现，探究了在复杂背景、不同大小、复杂天气等挑战条件下使用一阶段探测器和二阶段探测器进行UAV检测的性能，并对两个数据集进行了评估，研究结果为发展更为强大的UAV检测方法提供了借鉴。

May, 2023

本文提出一个新的反无人机问题，即在没有无人机先前信息的复杂环境中感知无人机，为此我们提出了最大的无人机数据集AntiUAV600和新的评估指标，并开发了一种新颖的反无人机方法来解决该问题。

Jun, 2023

提出了一种基于边缘计算的无人机能效高的目标检测系统，旨在通过决策最节能的飞行参数来降低能源消耗，实验结果表明在实际情景中能够显著降低能源消耗，并提供了对无人机目标检测进一步研究的四个见解。

Aug, 2023

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

通过开发虚拟数据集V2U-COO，设计跨领域自适应模块CDCA以及协同深度优化模块CDO，本文提出了一种专门用于空中-地面协同感知的框架，并在虚拟数据集和公共数据集上进行了广泛实验证明了其有效性，使检测准确率分别提高了6.1%和2.7%。

Jun, 2024

本研究解决了单目3D检测技术在不同相机视角下表现不佳的问题，推出了CARLA无人机数据集（CDrone），扩展了现有基准的相机视角多样性。通过引入GroundMix数据增强方式，显著提高了轻量级单阶段检测器的准确性，实验结果表明在所有测试数据集上的平均精度达到或超过之前的最佳水平。

Aug, 2024