YOLC: You Only Look Clusters for Tiny Object Detection in Aerial Images

从航空图像中检测物体存在以下显著挑战：1）航空图像通常非常大，一般有数百万甚至上亿个像素，而计算资源有限。2）小物体尺寸导致信息不足，难以有效检测。3）非均匀物体分布导致计算资源浪费。为了解决这些问题，我们提出了一种高效有效的框架YOLC（You Only Look Clusters），它基于无锚点目标检测器CenterNet构建。为了克服大规模图像和非均匀物体分布所带来的挑战，我们引入了局部尺度模块（LSM），自适应地搜索聚类区域进行缩放以实现准确检测。此外，我们使用高斯瓦瑟斯坦距离（GWD）修改回归损失以获得高质量的边界框。在检测头部分采用可变形卷积和细化方法以增强小物体的检测能力。我们在两个航空图像数据集（包括Visdrone2019和UAVDT）上进行了广泛的实验，以证明我们提出的方法的有效性和优越性。

本文旨在解决从航拍图像中检测物体的挑战，包括图像规模大、物体大小不一和分布不均等问题。

本文提出了一种基于CenterNet的高效有效框架YOLC，引入了局部尺度模块（LSM）来自适应地搜索聚类区域以实现准确检测，使用高斯Wasserstein距离（GWD）修改回归损失来获得高质量边界框，并采用可变形卷积和细化方法来增强小物体的检测。

本文在两个航拍图像数据集上进行了广泛的实验，证明了所提出方法的有效性和优越性。实验使用的数据集包括Visdrone2019和UAVDT。本文的方法在小物体检测方面表现出色。论文提供了开源代码。

在这个领域的相关研究包括基于深度学习的物体检测方法，如Faster R-CNN、YOLO等。