
-
生物通官微
陪你抓住生命科技
跳动的脉搏
基于人在回路协同检测框架的航拍图像小目标检测
《Scientific Reports》:Human-in-the-loop collaborative enhancement for rotation-aware small object detection in aerial images
【字体: 大 中 小 】 时间:2026年10月01日 来源:Scientific Reports 4.9
编辑推荐:
摘要由于低分辨率、任意朝向、复杂背景以及目标极度稀疏,航拍图像中的小目标检测仍然是一个挑战性问题。现有的深度学习方法在微小目标的弱特征判别和上下文建模方面存在不足,并且很大程度上将人类知识视为检测流程之外的外部要素。本文提出了一种人在回路(HITL)协同检测框架,该框架结合了
由于低分辨率、任意朝向、复杂背景以及目标极度稀疏,航拍图像中的小目标检测仍然是一个挑战性问题。现有的深度学习方法在微小目标的弱特征判别和上下文建模方面存在不足,并且很大程度上将人类知识视为检测流程之外的外部要素。本文提出了一种人在回路(HITL)协同检测框架,该框架结合了超分辨率增强、旋转感知检测和双重人类引导特征增强。具体而言,我们引入了一个增强方案,包含:(1) 基于超分辨率的旋转感知检测模块,可提高微小目标的感知质量和方向鲁棒性;(2) 人在回路(HITL)类别特征增强模块,可增强目标与背景的区分度;(3) 人在回路(HITL)区域特征增强模块,可对潜在有意义的区域进行选择性增强,且额外成本较低。与基于FPN注意力的方法相比,我们的方法保持了检测器架构的简洁性,且不依赖于特定检测器,避免了复杂的特征金字塔注意力模块,可作为标准检测器的模块化包装器使用。在针对DOTA、HRSC2016和NWPU VHR-10的定制及混合五类数据集上进行的大量无人机监视实验中,我们的方法达到了85.0%的mAP@50,在相同评估协议下与代表性基线方法相比展现出具有竞争力的性能。所提出的框架通过将人类先验知识与深度学习相结合,有效提升了检测mAP和可解释性,在操作员辅助的无人机分析场景中展现出实用价值。为方便复现和进一步研究,该算法的完整源代码已在GitHub上发布,并归档于Zenodo(https://doi.org/10.5281/zenodo.20490958)。