Key points are not available for this paper at this time.
La détection d'objets dans des images aériennes est une tâche difficile pour deux raisons principales : la petite taille des objets et la variation d'échelle. Les méthodes existantes utilisent des caractéristiques multi-niveaux pour résoudre le problème de variation d'échelle, mais ignorent le problème de confusion d'échelle des caractéristiques peu profondes, ce qui limite les performances de détection des petits objets. Pour résoudre ce problème, nous proposons un module de découplage d'échelle qui met en évidence les caractéristiques des petits objets en éliminant les caractéristiques des grands objets dans les couches peu profondes. De plus, une attention non locale clairsemée (SNLA) et une stratégie d'appariement d'ancrage adaptatif (AAMS) sont proposées pour améliorer davantage les performances de détection des petits objets. La SNLA ne regroupe que les informations contextuelles de positions spécifiques et clairsemées, ce qui non seulement affine les caractéristiques des petits objets mais est également avantageux sur le plan computationnel. L'AAMS est adaptée à la mesure des petits objets et peut attribuer plus d'échantillons positifs aux petits objets. D'importantes expériences sur trois ensembles de données aériennes difficiles, VisDrone-DET2019, UAVDT et DIOR, démontrent l'efficacité et l'adaptabilité de notre méthode. Le code sera disponible en ligne (https://github.com/MaYou1997/SDP).
Ma et al. (Sun,) ont étudié cette question.