科研笔记

Appearance

VisDrone 检测 SOTA 调研 ​

收集在 VisDrone 数据集上表现最好的目标检测方法

deepxiv 搜索结果 ​

搜索命令: deepxiv search "VisDrone object detection" --date-from 2024-01-01 --limit 100

2026 年 ​

ArXiv ID标题引用VisDrone 结果
2602.23031SLPA+MSFEM: Spatial Laplacian Pyramid Attention--
2602.19503TG-YOLO: Text-Guided Vision Model for Small Instances--
2602.07523CA-YOLO: Cross Attention + Biomimetic Localization-mAP50=38.4%, mAP=23.1%
2602.07512ZoomDet: Adaptive Image Zoom-in for UAV Object Detection--
2601.18597EFSI-DETR: Efficient Frequency-Semantic Integration for UAV--

CA-YOLO (2026.02) ​

  • 论文: arXiv:2602.07523 (TCSVT 2025)
  • 核心: 仿生交叉注意力 (MHSA) + CFAM特征融合 + 小目标检测头
  • baseline: YOLOv8n
  • VisDrone结果（val）:
    ModelmAP50mAP50-95
    YOLOv8n33.50%19.44%
    CA-YOLO38.40%23.06%

SLPA+MSFEM (2026.02) ​

  • 论文: arXiv:2602.23031 (预印本，尚未发表)
  • 核心: 空间拉普拉斯金字塔注意力 + 多尺度特征增强 + 可变形卷积对齐
  • baseline: Faster R-CNN + FPN (CZDet框架，ResNet-50)
  • 结果: VisDrone val AP=35.3%, AP_S=28.0% (输入1200×1999)
  • 关键创新:
    • SLPA (Spatial Laplacian Pyramid Attention): 插入ResNet-50每个stage后，MaxPool+AvgPool→不同膨胀率Conv(r={1,2,3})→1×1 Conv→Sigmoid→注意力加权，增强小目标局部特征
    • MSFEM (Multi-Scale Feature Enhancement Module): 插入FPN的C5层侧连接，将C5特征分4组用自适应膨胀卷积(r={1,2,3,4})+全局平均池化，增强顶层多尺度语义
    • DCN特征对齐: 在FPN上下层融合时用可变形卷积对齐特征，解决上采样导致的特征不对齐
  • 复杂度: FLOPs 213→218G，参数 100.7→107.8M，FPS 12.0→11.4
  • 笔记: 即插即用模块，也可插入ClusDet/DMNet等；对CZDet AP提升+2.1%，AP_S提升+1.9%
    • CZDet (Cascaded Zoom-in Detector, CVPR Workshops 2023): 复用检测器本身的检测结果生成zoom-in区域，不需要额外聚焦模块，兼具uniform cropping简单性和density cropping有效性
    • 选CZDet作baseline原因：在"去哪里找"已解决的前提下，验证"特征增强"模块的增益

TG-YOLO / Text-Guided YOLO (2026.02) ​

  • 论文: arXiv:2602.19503 (Applied Computer Science, Vol.22, No.1, 2026)
  • 核心: 基于YOLO-World的文本引导检测 + C3k2替换C2f + 轻量化
  • baseline: YOLO-World
  • 结果: VisDrone val mAP@0.5=30.7% (输入640)
  • 关键创新:
    • C3k2替换C2f: 用C3k2层替换YOLOv8 backbone中的C2f层，更精确表示小目标局部特征和清晰边界
    • 并行处理优化: 提升处理速度和效率，同时实现更轻量的模型设计
    • 文本引导检测: 基于YOLO-World，用户可输入文本prompt指定检测目标
  • 复杂度: 参数 4M→3.8M(-5%), FLOPs 15.7B→15.2B(-3.2%)
  • 笔记: 提升幅度很小(mAP@0.5 30.4→30.7)，且只报告了mAP@0.5而非COCO AP；核心贡献是C3k2替换+文本引导思路，而非精度；发表于Applied Computer Science，非主流CV期刊

ZoomDet / Adaptive Image Zoom-in (2026.02) ​

  • 论文: arXiv:2602.07512 (ISPRS J. Photogrammetry and Remote Sensing 2026, 遥感顶刊)
  • 核心: 非均匀图像缩放 + 框坐标变换，在像素级放大目标区域后检测
  • baseline: Faster R-CNN + FPN / YOLOv8
  • 结果: VisDrone val Faster R-CNN AP=22.8(+2.0), AP_S=13.9(+2.7)；YOLOv8 AP=25.9(+1.3), AP_S=15.7(+2.0)；SeaDronesSee数据集 AP=43.3(+8.4)
  • 代码: https://github.com/twangnh/zoomdet_code
  • 关键创新:
    • OffsetNet: 轻量偏移预测网络(ResNet-18前两层+1层Conv)，预测每个像素的空间偏移(Δx,Δy)，参数化非均匀图像变换T:(x,y)→(u,v)；偏移场无GT，通过Object Zooming Loss间接监督——让GT框在zoomed空间中面积变大→反传逼网络学出"拉开目标区域像素"的偏移
    • Object Zooming Loss: L_zoom = Σ max(log((α+ε)/(m_i+ε)), 0)^β，m_i=zoomed后框面积/原框面积，最大化目标放大比；α控制放大阈值，β下调易样本权重(类似Focal Loss)
    • Corner-Aligned Box Transformation: 将GT框两角点通过正映射查找表反查最近邻→得到zoomed空间框坐标；推理时将预测框双线性插值映射回原图空间；前向+后向变换IoU>92%
    • Weight Decay正则化: 对OffsetNet的权重衰减天然正则化偏移→趋于均匀采样→减轻图像畸变
  • 与其他zooming方法正交: 可叠加patch-based(ESOD/DG)、implicit feature zooming(RemDet/RAF)，进一步+0.7~1.2 AP
  • 额外开销: OffsetNet仅683K参数，Faster R-CNN +3.2ms延迟；ZoomDet-rb(复用检测器backbone)仅+0.1ms
  • 局限: 大目标可能退化(AP_L下降)；拥挤场景训练不稳定；仅支持检测框变换，不支持mask
  • 流程: 原始图像 → OffsetNet预测偏移(Δx,Δy) → 非均匀重采样生成zoomed图像 → 送入检测器 → 检测结果映射回原图坐标；OffsetNet与检测器端到端联合训练，但检测器本身不需修改，可叠加任意检测器
  • 与其他方法的作用阶段对比:
    • ZoomDet: 图像空间预处理阶段（像素级重采样）
    • Patch-based(ESOD/DG): 图像空间裁剪阶段
    • Feature zooming(RemDet/RAF): 特征空间增强阶段
    • 三者正交可叠加，ZoomDet+ESOD/DG或RemDet/RAF可进一步+0.7~1.2 AP
  • 笔记: 与CZDet/ClusDet等crop-based方法不同——ZoomDet不裁剪图像，而是对整图做像素级非均匀重采样，单次前传即可；思想类似可变形卷积但作用在图像空间而非特征空间；对极小目标增益最大（像素不够→特征提不出来是硬限制，像素放大直接跨过阈值从"检不到"变"检得到"，是质的飞跃；大目标像素本来就够，放大边际收益递减甚至为负→AP_L下降）

EFSI-DETR (2026.01) ​

  • 论文: arXiv:2601.18597 (预印本, 武汉大学)
  • 核心: 基于RT-DETR的频域-语义融合框架，模拟频谱分解+动态专家卷积+细粒度特征保留
  • baseline: RT-DETR-R18
  • 训练: from scratch无预训练权重，WeKat是完全新设计backbone(小波+KAN)替换ResNet，无法用ImageNet预训练；200 epochs, AdamW, lr=0.0001, 仅Mosaic增强/R50，bs=8训练300 epochs，输入640/800
  • 结果: VisDrone val 640输入AP=33.1(+6.2 vs RT-DETR-R18 26.9), AP_S=24.8(+6.5), 4090上188FPS；800输入AP=35.0, AP_S=27.3；CODrone AP=20.2
  • 关键创新:
    • DyFusNet (动态频域-空间统一协同网络): 不用FFT，在空间域模拟频谱分解——AvgPool(低频) + Identity(中频) + DWConv(高频)，由动态权重α_i自适应融合；再用SFCM做多核空间聚合+通道注意力调制
    • ESFC (高效语义特征浓缩器): DEConv动态专家卷积(K=3个专家，按注意力权重选核) + EGBlock(Ghost卷积降冗余) + DGA双域引导聚合(ECA通道注意力+空间注意力)；用在Deep阶段效果最好
    • FFR (细粒度特征保留): 引入backbone浅层S1/S2保留空间细节；decoder去掉F5减少语义冗余，用F2/F3/F4
  • 消融: FFR贡献最大(+4.4 AP, +4.9 AP_S)；DyFusNet再+1.4 AP；ESFC再+0.4 AP同时减1.5M参数
  • 与RemDet-L对比: AP +3.8, AP_S +6.1, 延迟5.3ms vs 7.1ms, 参数27.3M vs 35.3M
  • 局限: AP_L=44.0偏低(RemDet-L 55.8)，大目标检测有退化；ESFC增益相对较小
  • 笔记: 为什么不用FFT？FFT难以kernel fusion、需要复数张量增加带宽、对不规则输入需padding、边缘NPU上FFT优化少——用空间算子模拟频谱分解更deploy-friendly；FFR引入S1/S2(1/4 1/8分辨率)+去掉F5(1/32分辨率深层)反而在VisDrone上更好(AP 30.1→31.3, AP_S 22.1→23.2, 参数-2.8M)——F5空间分辨率极低(~20×20)，与小目标几乎无关且与浅层语义冗余，去掉反而减少干扰；但代价是AP_L退化(44.0 vs RemDet-L 55.8)，本质是VisDrone大目标极少、牺牲AP_L换AP_S在整体AP上更划算的场景驱动设计；CODrone数据集(arXiv:2504.20032)是旋转框(OBB)标注，但本文用HBB指标评测(标准COCO AP)，旋转角度信息被忽略——OBB转HBB后框变大包含更多背景

2025 年 ​

ArXiv ID标题引用VisDrone 结果
2510.03858Cross-View Open-Vocabulary Object Detection in Aerial Imagery0-
2509.23056FMC-DETR: Frequency-Decoupled Multi-Domain Coordination0-
2509.12918Compression Framework for YOLOv8 on Edge Devices0-
2507.12727SOD-YOLO: Small Object Detection in UAV-mAP50=52.6%, mAP=35.1% (最高)
2507.00825High-Frequency Semantics for DETR in UAV Imagery0-
2506.12697MGDFIS: Multi-scale Global-detail Feature Integration0-
2505.05741Dome-DETR: Density-Oriented Tiny Object Detection1-
2504.20670FBRT-YOLO: Faster and Better for Real-Time Aerial34mAP50=48.4%, mAP=30.1% (轻量)
2504.11470SO-DETR: Dual-Domain Features and Knowledge Distillation4-
2504.05601AD-Det: Focused Small Objects + Balanced Tail Classes5UAV小目标提升
2503.04452FDM-YOLO: High Resolution + PConv + EMA-mAP50=42.5%, 参数量-38%
2501.01855UAV-DETR: Efficient End-to-End Object Detection25-

Cross-View OVD (2025.10) ​

  • 论文: arXiv:2510.03858 (预印本, UCF, Lockheed Martin支持)
  • 核心: 跨视角开放词汇检测——将ground-view VLM知识迁移到aerial-view，对比学习做域对齐
  • baseline: OWLv2 (ViT-H/14)
  • 结果: 评估指标为COCO-style AP₅₀:₉₅(mAP)，输入640(OWLv2默认，论文未明确)；VisDrone (Images) val zero-shot mAP=44.97(+4.16 vs YOLOv11 finetuned 40.81), mAP_base=42.7(与xView训练类别重叠的类), mAP_novel=49.2(xView中独有仅推断对应的类,反而高于base可能因novel类恰好目标更大更好检测)；DOTAv2 mAP=38.60(+6.32)；HRRSD mAP=74.12(+3.46)；xView mAP=37.91*(非纯zero-shot)
  • 对比公平性存疑: 论文未明确base/novel在VisDrone 10类中的具体划分；YOLOv11的40.81未说明变体/输入分辨率(但10类finetune是确定的)；OVD评估的类别可能和YOLO的10类不完全一致；632M参数ViT-H/14 vs 轻量YOLO模型规模差距巨大；值得注意的是YOLOv11 finetuned的40.81本身已经在VisDrone上极强
  • 关键创新:
    • 跨视角对比对齐(Image_A-Image_G): 对aerial-ground正样本对做InfoNCE，拉近匹配视角、推远非匹配；只微调aerial encoder，ground encoder冻结
    • 多实例词汇关联(Image_A-Text): 用MIL-NCE将aerial图像与一组文本变体(text-bag)对齐而非单一文本，缓解命名歧义
    • Aerial-Ground对应数据构建: xView(航拍GT框)+LVIS/CC12M(地面GT框)→12个共同类别直接按类别配对框级正样本对+48个xView独有类别用OWLv2在地面图上推断伪标注框配对→共310K对类别级框配对(非像素级抠图)；训练仅在xView-LVIS/CC12M上做，VisDrone/DOTAv2等zero-shot评估
    • 词汇扩展: ChatGPT为60个航拍类别生成360个同义变体(如Small Aircraft→Light airplane/Propeller plane/Cessna等)
  • 消融: Patch-14优于Patch-16(+2.3~4.6)——ViT将图像切分为14×14/16×16的patch，更小patch=更多token=更细空间分辨率，保留更多小目标细节(代价是计算量增大约32%)；CC12M优于LVIS做ground来源(+3.2~6.9)；两个对比loss互补——Image_A-Image_G(航拍框-地面框特征对齐,直接解决域迁移)单独贡献更大(xView 32.41 vs Image_A-Text 26.13)，但两者结合最优(33.25)
  • 模型无关: 框架是通用微调recipe(跨视角数据+对比loss)，换底座模型同样有效——GroundingDINO: 33.0→47.1(+14.2) vs OWLv2: 25.7→44.97(+19.27)，baseline越强对齐边际增益越小；OWLv2和GroundingDINO都是开放词汇检测器(输入图像+文本查询→输出检测框)，OWLv2偏CLIP风格对比学习、检测能力弱但泛化好，GroundingDINO偏Transformer融合、检测能力更强
  • 笔记: 本质是开放词汇检测而非传统小目标检测——不做尺度增强/特征融合，而是解决"ground-view预训练VLM无法直接用于aerial"的域迁移问题；zero-shot就超越finetuned YOLOv11很惊艳，但对比不公平——OWLv2用的是ViT-H/14超大规模模型+310K跨视角数据，而YOLOv11是轻量模型+仅目标数据集训练；实际场景中推理开销远大于YOLO；思路对"如何利用ground-view大规模预训练知识"有价值
  • 思考: 能否把架构换成YOLO？(1) 值得研究但需认清挑战——YOLO-World已有vision-language对齐，加Image_A-Image_G对比loss是自然结合点；但小模型(YOLO-S/M)表征容量远不如ViT-H，对齐能学到的有限；(2) 用VisDrone数据做对比学习能否超过YOLO微调？大概率不能——对比学习是图像/区域级弱监督(只知道"图里有car"不知道在哪)vs框级精确监督，VisDrone仅10K图做对比学习数据量不够(通常需M级)，且小目标在global pooling后信息被背景淹没；(3) 对比学习的价值在泛化(零样本/跨域)而非精度，实用路线：对比预训练做初始化 + YOLO微调，两者互补

FMC-DETR (2025.09) ​

  • 论文: arXiv:2509.23056 (预印本, 南京理工大学)
  • 核心: 频域解耦+多域协调的航拍检测，基于RT-DETR；WeKat backbone(小波+KAN)+CPF轻量融合+MDFC多域特征协调
  • baseline: RT-DETR-R18
  • 训练: from scratch无预训练权重，WeKat是完全新设计backbone(小波+KAN)替换ResNet，无法用ImageNet预训练；200 epochs, AdamW, lr=0.0001, 仅Mosaic增强
  • 结果: VisDrone val 输入640, FMC-DETR-T(WeKat-T+[D2,D4]检测头) AP=33.2%(+6.5 vs RT-DETR-R18 26.7%), AP50=52.8%(+8.2), AP_S=25.3%, 参数12.6M, FLOPs 121.7G；FMC-DETR-B(WeKat-B+[D3,D4,D5]检测头) AP=29.4%, AP50=48.2%, 参数16.1M, FLOPs 56.2G——B的AP低不是因为backbone小，而是用了传统三检测头没加D2；T虽backbone更小但D2(1/4分辨率)检测头对小目标贡献巨大，代价是FLOPs翻倍(121.7G vs 56.2G)
  • 关键创新:
    • WeKat Backbone: 异构分流门控(HSG)将特征分为Gating/Retention/Computation三流
      • HSG-WAVE(浅层): Haar小波变换做级联频域分解→LL低频分支递归下采样捕获全局布局，HH/LH/HL高频分支保留细节纹理→分组卷积+IHWT重建；在浅层就获得近线性复杂度的全局感受野
      • HSG-AKAT(深层): 非对称自注意力(Q/K维度小于V降低计算)+DWConv生成位置偏置替代绝对位置编码；Group KAN替代MLP——用可学习样条基函数(spline)做非线性变换，比ReLU的静态激活更能建模上下文的强非线性依赖(如"水面上才有船"的阶跃式依赖)
    • CPF (Cross-stage Partial Fusion): 部分重参数化卷积——仅对25%通道做3×3 RepConv空间混合，75%通道identity直通，再用1×1 Conv扩缩通道；利用通道冗余减参数
    • MDFC (Multi-Domain Feature Coordination): 两阶段——(1)频域自适应调制：通道split为空间分支(stride=2下采样保结构)和频率分支(MaxPool+FFT做频域调制)→空间特征⊗频率特征门控；(2)多域精炼：FFT全局分析+GAP通道注意力+Sobel梯度结构先验，三域正交信息联合增强
  • 消融: WeKat单独AP 26.7→27.8(参数20.0→16.3M)；CPF单独27.4；MDFC单独28.2(FLOPs最大但增益最高)；三者组合29.4
  • 检测头设计(Table V关键发现): 去掉S5(1/32分辨率)+检测层改用[D2,D4]而非[D3,D4,D5]→AP从27.8跃升至33.2(+5.4)；D2(1/4分辨率)对小目标贡献远大于D5；FMC-DETR-T只用D2+D4两个检测头达到最优
  • 多数据集测试: VisDrone val T版AP=33.2/AP50=52.8, B版AP=29.4/AP50=48.2; HazyDet B版AP=54.3(AP_car=63.0, AP_truck=36.9, AP_bus=62.9); SIMD B版AP=65.8/AP50=80.9——HazyDet/SIMD只用B版，可能因为这两个数据集目标不像VisDrone那么极小，D2检测头收益不如VisDrone大而FLOPs翻倍代价实打实
  • 代码: https://github.com/bloomingvision/FMC-DETR
  • 笔记: 与EFSI-DETR对比——两者都基于RT-DETR+频域增强+去掉深层特征，但FMC-DETR用了真小波变换(EFSI-DETR用空间算子模拟)和KAN替代MLP(更强的非线性建模)；Table V的检测头消融非常有价值——去掉S5后AP暴涨5.4，且[D2,D4]优于[D2,D3,D4]，说明D3与D2存在冗余，D4提供中大目标语义不可替代；B版(29.4%)AP低于T版(33.2%)的核心原因不是backbone大小，而是检测头配置——B用传统[D3,D4,D5]，T用[D2,D4]，D2对小目标不可替代；T的FLOPs(121.7G)远高于B(56.2G)，因为D2是1/4分辨率计算量巨大，这是小目标检测的固有代价——检测头选择比backbone大小对AP的影响更大

SOD-YOLO (2025.07) ​

  • 论文: arXiv:2507.12727 (预印本, 华中师范大学)
  • 核心: ASF注意力尺度融合 + P2小目标检测层 + Soft-NMS，基于YOLOv8m的三项改进
  • baseline: YOLOv8m (CSPDarknet53)
  • 结果: VisDrone val mAP50:95=35.1%(+9.3), mAP50=52.6%(+9.0)，输入640
  • 关键创新:
    • ASF (Attentional Scale Fusion): ScalSeq模块将P3/P4/P5统一分辨率后沿scale维度做3D Conv(1,1,1)+BN+LeakyReLU+3D MaxPool(3,1,1)压缩→跨尺度语义融合；ASF Attention模块先通道注意力再加到第二路特征上，再做局部注意力细化
    • P2小目标检测层: 在P3/P4/P5之外增加P2检测头(1/4分辨率)，保留浅层空间细节(边界/纹理/边缘)；上采样backbone特征与浅层拼接后经C2f+ScalSeq处理
    • Soft-NMS: 将传统NMS的硬抑制(IoU≥阈值→置0)改为软抑制(s_i × (1-IoU))，保留密集小目标中的真实检测框
  • 消融: ASF +0.7 mAP, P2 +2.9 mAP(+4.0 mAP50), Soft-NMS +5.8 mAP(+5.0 mAP50，零额外计算)
  • 复杂度: 参数22.6M(vs YOLOv8m 25.8M更少)，FLOPs 94.9G(vs 78.7G，+16.2G主要由P2贡献)
  • 代码: https://github.com/iamwangxiaobai/SOD-YOLO
  • 笔记: Soft-NMS贡献最大(+5.8 mAP)且零计算开销，说明密集场景下NMS误删是真阳性损失的重要来源；P2层的FLOPs增加显著(+16.2G)，与CZDet去掉P2反而更好的结论不矛盾——CZDet的crop机制替代了P2的功能，而SOD-YOLO没有crop机制，P2仍是必要的；整体方法偏工程组合创新，三个模块均为已有技术的直接应用

HEDS-DETR (2025.07) ​

  • 论文: arXiv:2507.00825 (预印本, 华南农业大学)
  • 核心: 高频语义增强backbone + S2小目标金字塔 + 解码器几何先验，基于RT-DETR-R18
  • baseline: RT-DETR-R18
  • 训练: from scratch(除传统检测器外所有模型均随机初始化)，300 epochs, Adam, lr=1e-4, batch=16, 输入640×640
  • 结果: VisDrone val AP50=48.0%(+5.1), AP=29.4%(+3.8), AP_S=20.9%(+3.3), 参数16.53M(-4M vs baseline 19.88M), FLOPs 64.9G, FPS 131.6；VisDrone test AP50=38.2%, AP=22.3%
  • 多数据集测试: 仅VisDrone
  • 关键创新:
    • HFESNet (High-Frequency Enhanced Semantics Network): 替换ResNet-18，用CSP-FCA模块替换后两个BasicBlock——核心思路是用CNN修复Transformer的高频丢失：SFA(空间频率注意力)替代标准self-attention，引入SP+FP+CP三投影+FCF+FSF跨维度融合，在注意力计算中增加频率维度感知；DFFN(双频前馈网络)分离低频→Transformer分支处理、高频→CNN(DWConv)分支增强后融合(标准Transformer的softmax会平滑掉高频细节，CNN分支补偿)；浅层用CSP-BasicBlock减计算；backbone减FLOPs 7.7%同时AP50 +2.8%
    • ESOP (Efficient Small Object Pyramid): 融合1/4(S2)+1/8(S3)+1/16(S4)特征后送编码器，S2不作为独立检测头(区别于FMC-DETR的D2)；SPDConv无stride下采样S2→与S3 concat得S₂₃，S4+S5融合得S₄₅，S₂₃+S₄₅经COKBlock(OmniKernel: local+large+global三分支)预融合→RepBlock输出S₂₃₄₅→经AIFI+CCFM编码器→3尺度送decoder；计算量+8.2G远小于FMC-DETR的D2独立检测头(+65.5G)，但增益也小(+0.5 vs +5.4)；SPDConv保留细节(换stride conv则AP50 -0.9)，COKBlock预融合解决跨尺度语义冲突(去掉则AP_M -2.3)
    • GAPE (Geometry-Aware Positional Encoding): 将RT-DETR解码器中"参考点线性投影"改为——参考点坐标(x,y,w,h)经正弦PE→MLP映射为位置嵌入，再用内容查询O_q经MLP生成缩放向量调制位置嵌入(P_q = MLP(O_q)×MLP(PE(B_q)))；注入self-attention和cross-attention的Q/K；让deformable attention的采样点更集中于目标前景(可视化验证)；AP50 +1.1
    • SQR (Selective Query Recollection): 训练策略(零推理开销)——将浅层解码器输出query重新引入深层提供更强监督，缓解级联误差(后层置信度下降/分类错误放大)；量化：TP Fading Rate 32.3%→28.4%, FP Exacerbation Rate 72.4%→69.2%；SQR II最优(D2和D3都增加监督)：AP50 +0.7，训练时间+34%但推理零开销
  • 消融: HFESNet AP50 +2.8(减FLOPs); +ESOP +0.5; +GAPE +1.1; +SQR +0.7；总计AP50 42.9→48.0
  • 对比: 超越DEIM(AP50=37.0→38.2 on test), D-FINE(35.0), YOLO系列(最高YOLOv11m AP50=34.4)
  • 代码: 未提供
  • 笔记: 与FMC-DETR对比——两者都基于RT-DETR+频域增强+引入S2高分辨率特征，但HEDS-DETR保留了S5(4阶段完整backbone)，ESOP是将S2融入已有P3-P5金字塔而非替换；HFESNet仍基于ResNet-18改(有ImageNet预训练潜力)vs WeKat完全新设计(from scratch)；GAPE的"内容查询调制位置编码"思路类似Conditional DETR但更轻量；SQR的级联误差分析(Table 1的TP/FP率量化)很有价值——VisDrone密集小目标场景下TP Fading Rate高达33%，说明解码器后层"遗忘"是真问题

MGDFIS (2025.06) ​

  • 论文: arXiv:2506.12697 (预印本, 悉尼大学+沈阳理工)
  • 核心: 多尺度全局-细节特征融合策略，即插即用的feature fusion插件，适用于多种检测框架
  • baseline: YOLO11s (主), Faster R-CNN, SSD, DETR, RT-DETR等多框架验证
  • 训练: AdamW, lr=0.001, batch=64, 输入640, 400 epochs, A800 GPU
  • 结果(VisDrone val): YOLO11s+MGDFIS mAP=23.5%(+1.1), AP50=39.4%(+1.5)；Faster R-CNN+MGDFIS mAP=33.4%(+2.0), AP50=53.2%(+12.5)；RT-DETR-R50+MGDFIS mAP=29.1%(+0.7), AP50=47.9%(+0.9)；SSD+MGDFIS mAP=16.3%(+2.1)
  • 多数据集测试: 仅VisDrone
  • 关键创新:
    • FTSSA (FusionLock-TSS Attention): 两阶段串行——(1)DAFF: DyT(DynamicTanh，替代LN的自适应激活范围)→TSSA(基于二阶矩统计的线性复杂度自注意力，低秩投影压缩)→Mona(多粒度空间融合：MOp多尺度DWConv 3×3+5×5+7×7 + XMona可学习缩放)；(2)SERR: SEFF频谱增强前馈(FFT自适应滤波+门控SiLU)→Mona精炼；整体：DyT替代LN + TSSA线性注意力 + 频域增强 + 多尺度空间融合
    • GDIM (Global-Detail Integration Module): GMM(全局混合：沿行/列方向切片拼接+3×3 Conv+BN+GELU建模远距离像素依赖)→DMM(细节捕获：4×6+6×4方向Conv提取多朝向特征→FTSSA精炼→GAP+MLP+Swish通道注意力加权)；GMM负责全局上下文，DMM负责局部细节+频谱-空间注意力
    • DPAM (Dynamic Pixel Attention Module): 聚合特征F_agg与GDIM精炼特征F̂ concat→7×7 Conv→Sigmoid生成逐像素注意力权重图[0,1]→与原始特征X1/X2加权融合；解决前景-背景不均衡
  • 消融(基于YOLO11s): GMM mAP+0.4; +DMM +0.2; +FTSSA +0.3; +DPAM +0.2；总计mAP 22.4→23.5, GFLOPs 21.7→49.9(翻倍)
  • 代码: 未提供
  • 笔记: 本质是即插即用的特征融合策略而非完整检测器，优势是跨框架通用(Faster R-CNN/SSD/YOLO/DETR/RT-DETR都验证了)；Faster R-CNN上AP50暴涨12.5%最显著，但YOLO11s上仅+1.5%，说明两阶段检测器对融合策略更敏感；代价是GFLOPs翻倍(21.7→49.9)，且没有报告FPS/推理速度，实用性存疑；FTSSA堆叠了大量组件(DyT+TSSA+Mona+SEFF)，设计偏工程组合

Dome-DETR (2025.05) ​

  • 论文: arXiv:2505.05741 → ACM MM 2025 (中科大)
  • 核心: 基于密度图的特征-查询双重操控，在D-FINE上引入密度先验引导特征增强和自适应查询分配
  • baseline: D-FINE (Peng et al., 2024)
  • 训练: AdamW, 8×4090, 800×800输入, 120ep(w/ aug)+40ep(w/o aug), HGNetv2 backbone(ImageNet预训练), batch=8
  • 结果(AI-TOD-V2 test): Dome-S 13.2M/154.2G AP=33.3; Dome-M 23.9M/252.6G AP=34.0; Dome-L 36.0M/358.7G AP=34.6(+3.3 vs D-FINE-L)；DQ-DETR 58.7M/1805.4G AP=30.2
  • 结果(VisDrone val): Dome-S AP=33.5(+2.3); Dome-M AP=36.1(+2.5); Dome-L AP=39.0(+2.5 vs D-FINE-L)，AP50=61.1, AP75=40.8；比DQ-DETR AP+3.8/AP50+6.2
  • 多数据集测试: AI-TOD-V2, VisDrone (两数据集)
  • 关键创新:
    • DeFE (Density-Focal Extractor): 浅层特征→级联DSConv(膨胀率1/2/3多尺度)→GAP→1×1Conv+Sigmoid→归一化密度热图D_pred；DRFL损失(α=√d_gt加权+β惩罚低估)监督；仅+0.8M参数+17.6G；密度图同时引导MWAS和PAQI
    • MWAS (Masked Window Attention Sparsification): DeFE密度图→自适应阈值Tb生成二值掩码→窗口划分(10×10)→MaxPooling得窗口级掩码→剪枝背景窗口只保留前景→APE(Axis Permuted Encoder)做两次注意力(窗内MSA→轴置换→跨窗MSA→FFN)实现局部+长程依赖；核心思想是稀疏化浅层特征的注意力，只对前景区域计算
    • PAQI (Progressive Adaptive Query Initialization): 分类头打分→选Top-K_M(1500)候选查询→分核心集K_N(300)+灵活集(K_M-K_N)→灵活集用密度图掩码过滤低响应查询→回归头预测框→密度自适应动态NMS(IoU阈值T=IoU_N+D×(IoU_M-IoU_N)，密集区宽松/稀疏区严格)；解决固定查询数(K=300)在密集场景不够、稀疏场景浪费的问题
  • 消融(D-FINE-S on AI-TOD-V2): baseline AP=30.1; +DeFE 31.2; +DeFE+PAQI 32.1; +DeFE+MWAS+PAQI 33.3；PAQI子模块消融: 扩查询至1500 AR 46→49.1; +密度过滤 AP 32.4→33.0; +动态NMS AP→33.3
  • 代码: https://github.com/RicePasteM/Dome-DETR
  • 笔记: 密度图是核心枢纽，一图三用(引导MWAS稀疏注意力+PAQI自适应查询+DRFL损失监督)；MWAS的稀疏化思路与ClusDet/QueryDet的crop-detect不同——是在注意力层面剪枝而非图像裁剪，保持端到端且延迟低(T4上<20ms vs UFPMP>200ms)；PAQI的动态NMS巧妙——用密度值插值IoU阈值，密集区防过度抑制、稀疏区防冗余；与DQ-DETR对比：DQ-DETR用分类计数模块调查询数(需手动设超参)，Dome-DETR用密度图自适应(无需数据集特定调参)，且计算量仅DQ-DETR的1/5(358.7G vs 1805.4G)但AP高4.4；局限是只测了两个航空数据集，没在COCO等通用数据集验证泛化性

FBRT-YOLO (2025.04) ​

  • 论文: arXiv:2504.20670 (AAAI 2025, 北京理工大学)
  • 核心: FCM特征互补映射 + MKP多核感知 + 冗余精简，基于YOLOv8的轻量化航空检测系列
  • baseline: YOLOv8-N/S/M/L/X
  • 结果: VisDrone val 输入640, X版 AP=30.1%(+1.2 vs YOLOv8-X 28.9%), AP50=48.4%, 参数22.8M(-66% vs YOLOv8-X 68.2M)；S版 AP=25.9%(+2.3), 参数2.9M(-74%)
  • 检测头: 去掉P5检测头，仅用P3+P4两个检测头(MKP替代最后下采样+去掉对应head)
  • 关键创新:
    • FCM (Feature Complementary Mapping): 将浅层空间位置信息传递到深层——Split按比例α分出通道→X1走3×3Conv提取通道语义X^C, X2走1×1 Conv保留空间位置X^S→互补映射：通道交互(DWConv+GAP+Sigmoid→ω1)映射到X^S，空间交互(1×1 Conv+Sigmoid→ω2)映射到X^C→X^FCM=(X^C⊗ω2)⊕(X^S⊗ω1)；嵌入backbone每个stage
    • MKP (Multi-Kernel Perception): 用DWConv 3×3→PWConv→DWConv 5×5→PWConv→DWConv 7×7级联替代backbone最后一层下采样，不同kernel捕获多尺度目标+PWConv跨尺度信息整合；同时去掉对应的检测头，减参数
    • 冗余精简(RR): 将原YOLOv8下采样中"先扩通道再DWConv采样"改为"先分组Conv空间下采样再1×1 Conv扩通道"，减少通道间干扰+降低参数；整体参数-18%, FLOPs -11%
  • 消融(基于YOLOv8-S): RR单独AP=-0.2但参数-18%/FLOPs-11%；+FCM AP50 +1.4%；+MKP AP +1.6%；三者组合 AP=25.9%(+2.3), AP50=42.4%(+2.8)
  • FCM消融: 双映射(通道+空间)比单映射最优(AP50 +2.0%)；split ratio α深层取0.25(保留更多空间分支)浅层取0.75更好——深层更需要空间位置信息补充
  • MKP消融: 混合kernel(3,5,7)优于单一kernel(3,3,3)/(5,5,5)/(7,7,7)
  • 代码: https://github.com/galaxy-oss/FCM
  • 笔记: FCM的核心思想是"浅层空间信息在backbone下采样中丢失→用互补映射在每层补充回去"，与FPN的post-hoc融合不同，FCM是在backbone内部做in-process的信息传递；MKP替代最后下采样层+去掉对应检测头，本质是减少深层冗余(最深层检测头对小目标贡献有限)，与EFSI-DETR去掉F5的思路类似；整体是参数效率导向的设计——在更少参数下达到更高AP

SO-DETR (2025.04) ​

  • 论文: arXiv:2504.11470 (预印本, 复旦大学)
  • 核心: 双域(空间+频域)混合编码器 + Expanded-IoU查询选择 + 知识蒸馏，基于RT-DETR的小目标检测
  • baseline: RT-DETR (R18/R50)
  • 训练: 640×640输入, PaddleDetection框架, 基于RT-DETR训练设置
  • 结果(VisDrone val): SO-DETR-EV2 12.1M/33.3G AP=28.2/AP50=46.7(低计算量组最佳)；蒸馏版 AP=28.8/AP50=47.5；SO-DETR-R18 20.5M/64.3G AP=29.9/AP50=49.0(中计算量组最佳)；SO-DETR-R50 44.4M/161.4G AP=31.5/AP50=51.5(高计算量组最佳，vs RT-DETR-R50 AP=28.4→+3.1)
  • 多数据集测试: VisDrone-2019-DET, UAVVaste (两数据集)
  • 关键创新:
    • DDF (Dual-Domain Fusion): 编码器中空间+频域双分支融合——输入→Conv→Split按1:3分通道[X1,X2]；X1→Conv+GELU→Xconv→频域分支: FFT→Conv→IFFT×|Xconv|(频域增强) + 空间分支: ReLU(X1+Conv(Xconv)+β·|Xconv|)(残差连接)；两分支concat→Conv融合输出；α₁/β₁可学习系数平衡频域/空间贡献；替代RT-DETR编码器中纯Conv的跨尺度融合
    • Enhanced Query Selection (Expanded-IoU): 将预测框和GT框都按因子α₂>1等比放大(中心不变)后计算IoU，即Expanded-IoU；放大后小框的IoU变化更敏感→优先选中小目标的高分anchor作query；Expanded-SIoU = SIoU - IoU + Expanded-IoU；同时用于分类loss和回归loss
    • 知识蒸馏: Teacher=SO-DETR-R50，Student=SO-DETR-EV2(EfficientFormerV2替代ResNet-18)；蒸馏loss = BCE(分类) + L1(框坐标，teacher置信度加权) + Expanded-SIoU(IoU loss)；线性衰减蒸馏权重(比constant/cosine更好)
  • 消融(VisDrone, EV2 backbone): 增强查询选择 AP+1.2, DDF AP+0.9, 两者组合 AP+2.7(>1.2+0.9=2.1，有协同效应)；蒸馏策略: Linear衰减+Expanded-SIoU最优(AP 28.2→28.8, +0.6)；R50: 查询选择+0.4, DDF+0.3, 组合+0.9；R18: 查询选择+0.1, DDF+1.3, 组合+2.3
  • 代码: https://github.com/ValiantDiligent/SO-DETR
  • 笔记: DDF是轻量频域增强(只对1/4通道做FFT)，比HEDS-DETR的DFFN(全特征双频分离)更省；Expanded-IoU思路简洁——放大框让小目标IoU变化更敏感，本质是让query选择偏向小目标；三个backbone(R50/R18/EV2)都观察到APlarge下降，说明双域编码器增强高分辨率特征时牺牲了大目标语义理解，这是该方法的trade-off；蒸馏效果显著(EV2: 28.2→28.8, UAVVaste上33.7→36.9)，Linear衰减+Expanded-SIoU的组合最优；⇔与UAV-DETR同组复旦工作，详见下方对比表

AD-Det (2025.04) ​

  • 论文: arXiv:2504.05601 (Remote Sensing 2025)
  • 核心: ASOE自适应小目标增强 + DCC动态类别平衡复制粘贴
  • baseline: GFL (Generalized Focal Loss)
  • 结果: input image size is 1333 × 800 for VisDrone and 1024 × 540 for UAVDT. VisDrone 基础模型resnet50 val AP=35.3%
  • 关键创新:
    • ASOE: 利用高分辨率特征图识别和聚类小目标区域，放大后由细粒度检测器处理
    • DCC: 对象级别重采样，动态将尾类粘贴到ASOE获得的聚类中心周围，为每个尾类维护动态记忆库
    • 协同策略: 同时解决尺度变化和类别不平衡问题
  • 代码: https://github.com/gentlezachary/AD-Det (待发布)

FDM-YOLO (2025.03) ​

  • 论文: arXiv:2503.04452 (预印本, 重庆大学)
  • 核心: 基于YOLOv8s的轻量化小目标检测——加P2检测头去P5检测头+Fast-C2f轻量化+DySample动态上采样+EMA注意力
  • baseline: YOLOv8s
  • 训练: SGD, lr=0.01, momentum=0.937, batch=16, 20 epochs, 640×640, RTX 4090, PyTorch 1.13, Ultralytics 8.3.18, warmup+cosine annealing, weight_decay=0.05
  • 结果(VisDrone val): mAP0.5=42.5%(+4.1 vs YOLOv8s 38.4%)；参数0.69M(-38% vs YOLOv8s 1.13M), 推理6.3ms(vs YOLOv8s 5.0ms)
  • 多数据集测试: 仅VisDrone
  • 关键创新:
    • 改进检测头: 加P2(4×下采样)检测头+去P5检测头→4尺度特征图(P2/P3/P4/P5 Neck但只有P2/P3/P4三个检测头)
    • Fast-C2f: 基于PConv(部分卷积)的轻量C2f——输入按比例分两组，一组做标准Conv另一组直接复制后concat，减少计算量和内存访问；替换PAN中的C2f
    • DySample动态上采样: 替代最近邻/双线性上采样，学习上采样权重，减少轻量化带来的精度损失
    • EMA注意力: 轻量高效多尺度注意力机制，嵌入特征融合部分
  • 消融(VisDrone val, YOLOv8s baseline mAP0.5=38.4%): 加P2小目标检测头 43.6%(+5.2); 去P5大目标检测头 43.6%(持平，减参数); +Fast-C2f 41.6%(-2.0，轻量化代价); +DySample 42.3%(+0.7); +EMA 42.5%(+0.2)
  • 代码: 未提供
  • 笔记: 典型的"加P2去P5"策略，与FBRT-YOLO思路类似；消融显示加P2检测头直接+5.2 mAP0.5最关键，但Fast-C2f轻量化导致-2.0降幅较大，后续DySample+EMA仅补回0.9；仅20 epochs训练偏少，结果可能未充分收敛；参数0.69M非常小但mAP0.5=42.5%有竞争力

UAV-DETR (2025.01) ​

  • 论文: arXiv:2501.01855 → IROS 2025 (复旦大学)
  • 核心: 基于RT-DETR的频域增强UAV检测框架——多尺度频域特征融合+频域保真下采样+语义对齐校准
  • baseline: RT-DETR (R18/R50)
  • 训练: AdamW, lr=0.0001, momentum=0.9, 400 epochs, batch=4, 640×640, RTX 3090, early stopping(patience=20), Mosaic(p=1)+MixUp(p=0.2)
  • 结果(VisDrone val): UAV-DETR-EV2 13M/43G AP=28.7/AP50=47.5；UAV-DETR-R18 20M/77G AP=29.8/AP50=48.8(vs RT-DETR-R18 AP=26.7→+3.1)；UAV-DETR-R50 42M/170G AP=31.5/AP50=51.1(vs RT-DETR-R50 AP=28.4→+3.1)
  • 多数据集测试: VisDrone, UAVVaste (两数据集)
  • 关键创新:
    • MSFF-FE (Multi-Scale Feature Fusion with Frequency Enhancement): CSP结构——输入按1:3分通道[X1,X2]；X1→1×1Conv+GELU→x_conv→FFT→GAP+1×1Conv精炼→IFFT→|·|=x_sp(频域增强)；x_sp→三尺度Conv(1×1+3×3+5×5)求和→x_sc；通道注意力(GAP(x_conv))精炼x_sc→FF模块: α·IFFT(FFT(Conv(x_sc))·Conv(x_sc))+β·x_sc→x_F(门控频域+空间残差)；最终: x_1+Conv31×31(x_conv)+Conv1×1(x_conv)+x_F→与x_2 concat→1×1Conv+GELU输出；S2通过Focus模块压缩空间信息到通道后与其他特征concat作为输入
    • FD (Frequency-Focused Downsampling): 输入→AvgPool(stride1,k=2)→按通道分两路——x1: 3×3Conv(stride2)下采样；x2: 并行两支→FF模块频域增强xf + MaxPool(3×3,stride2)→1×1Conv减通道xp'→concat→1×1Conv→x2'；x1'+x2' concat输出；下采样中保留双域信息
    • SAC (Semantic Alignment and Calibration): 两条融合路径的特征x1/x2→Conv统一通道数→x2双线性上采样对齐x1空间尺寸→FF模块增强x2得x_freq→门控融合: G(x2)·x_freq+(1-G(x2))·x2→xfused；学习2D偏移量Δ1/Δ2→GridSample对齐x1和xfused→加权求和α·x1_aligned+β·xfused_aligned；解决不同融合路径的特征错位问题
    • Inner-SIoU: 替代GIoU——辅助框缩放1.25倍+SIoU角度/距离/形状惩罚，对小目标IoU低时更有效
  • 消融(VisDrone, R18): baseline AP=26.7/AP50=44.6; +Inner-SIoU 27.1/45.3; +MSFF-FE 28.4/46.9; +FD 28.4/47.1; +SAC 29.8/48.8；Inner-SIoU比例: 1.20→29.5, 1.25→29.8(最优), 1.30→29.3
  • 代码: https://github.com/ValiantDiligent/UAV-DETR
  • 笔记: 与SO-DETR同组复旦工作；⇔与SO-DETR高度相似，详见下方对比表

UAV-DETR vs SO-DETR 对比表（同组复旦，同一GitHub组织 ValiantDiligent）

对比项UAV-DETR (2025.01, IROS)SO-DETR (2025.04, 预印本)
频域增强MSFF-FE: 1:3分通道→FFT→GAP精炼→IFFT→多尺度Conv(1/3/5)→FF门控(更复杂)DDF: 1:3分通道→FFT→Conv→IFFT×空间残差(更简洁)
框缩放IoUInner-SIoU: 辅助框缩放1.25倍+SIoU惩罚Expanded-IoU: 预测框+GT框都缩放α₂>1倍，本质相同——放大框让小目标IoU更敏感
语义对齐SAC: GridSample可学习偏移对齐(独有)无
下采样FD: 频域保真下采样(独有)无
查询选择无Expanded-IoU查询选择(独有)
知识蒸馏无R50→EV2蒸馏，线性衰减+Expanded-SIoU
FPS(R50)65(vs RT-DETR 89)—
VisDrone R50AP=31.5/AP50=51.1AP=31.5/AP50=51.5
关系先发，更完整的频域框架后发，简化频域模块+新增查询选择+蒸馏，可视为UAV-DETR改进版

2024 年 ​

ArXiv ID标题引用VisDrone 结果
2412.10040RemDet: Rethinking Efficient Model Design for UAV7-
2411.00485LAM-YOLO: Involution + aux heads-mAP50 提升 7.1%
2407.16424ESOD: Efficient Small Object Detection on High-Res20-
2407.06127Better Sampling for End-to-End Small Object Detection3-
2406.05755A DeNoising FPN With Transformer R-CNN for Tiny Object80-
2404.04140Context-Aware Aerial Object Detection0-
2405.19822Improving Object Detector Training on Synthetic Data8-
2401.14661From Blurry to Brilliant: YOLO + Super Resolution0-

RemDet (2024.12) ​

  • 论文: arXiv:2412.10040 (AAAI 2025, 浙江师范大学HZAI实验室)
  • 核心: 基于信息瓶颈理论的轻量化UAV检测器——信息损失设计准则+ChannelC2f高维扩展+GatedFFN乘法门控+CED上下文增强下采样
  • baseline: YOLOv8 (基于MMDetection框架重新实现)
  • 训练: SGD, lr=0.01, momentum=0.937, weight_decay=5e-4, batch=128(8GPU×16), 300 epochs, 640×640, PyTorch+MMDetection, scratch训练(不用预训练), mixup+Mosaic数据增强, Flat-Cosine lr schedule
  • 结果(VisDrone val, 640输入): RemDet-Tiny 3.2M/4.6G AP=21.8/AP50=37.1/APs=12.7; RemDet-S 11.9M/16.0G AP=24.7/AP50=41.5/APs=15.4; RemDet-M 23.3M/34.4G AP=27.3/AP50=44.7/APs=17.3(APs远超YOLOv8-M 14.5→18.2); RemDet-L 35.3M/66.7G AP=29.3/AP50=47.4/AP75=30.3/APs=18.7, latency=7.1ms; RemDet-X 74.1M/112G AP=29.9/AP50=48.3/APs=19.5, latency=8.9ms
  • 多数据集测试: VisDrone-2019, UAVDT, COCO2017 (三数据集)
  • 关键创新:
    • 信息瓶颈理论设计准则: 神经网络层的目标是 I(X;X') + βI(X;Y|X') → 最小化(保留与预测Y相关的信息，丢弃无关)；维度扩展时特征权重显著增强→高维表示更有效完成"学习"和"压缩"；信息损失 I(Y;h_i) ≥ I(Y;h_{i+1}) 逐层递减，设计应减少每一层的信息损失
    • ChannelC2f: C2f的通道扩展变体——总体通道扩展从0.5增到1.0(即输入通道数=输出通道数)，Bottleneck内部扩展比从1降到0.25(减少密集计算)；本质是用更多通道存信息、用更窄Bottleneck做计算；类似ResNet的bottleneck设计但反向——外宽内窄
    • GatedFFN: 基于GLU(Gated Linear Units)的乘法门控替代FFN——两路卷积结果做逐元素乘法(w₁ᵀx · w₂ᵀx)而非多项式加法(w₀ᵀx = w₁ᵀx + w₂ᵀx)；乘法类似核函数 K(x,z)=φ(x)·φ(z) 的隐式高维映射，相同计算量下乘法比加法(FFN)表达力更强；通道扩展到9的乘法≈通道扩展到7的FFN计算量，但mAP高0.3%；结构：Conv→Split两路→逐元素乘法→1×1Conv融合→输出
    • CED (Context Enhanced Downsample): Inverted Bottleneck(stride=1, 扩展比=1) + DepthwiseConv + PatchMerge + PointwiseConv；Inverted Bottleneck用stride=1避免信息丢失；PatchMerge本质是PixelUnshuffle(空间→通道重排, H×W×C → H/2×W/2×4C)，将空间信息拼到通道维度让后续1×1Conv"看到"更多上下文(操作形式与ViT的PatchEmbedding相同，但后面接的是Conv而非attention)；本质是"加深下采样模块+空间信息转通道"来弥补分辨率下降的信息损失；stage1的通道扩展比从1增到2效果最好但增加延迟，所以只在stage1使用
  • 代码: https://github.com/HZAI-ZJNU/RemDet
  • 笔记: 信息瓶颈理论提供了"为什么高维扩展有效"的理论解释——维度扩展→特征权重增强→信息损失减少；GatedFFN的乘法替代加法是核心洞察——乘法隐式映射到高维空间(类似核技巧)，同计算量下表达力更强，这也是"乘法比FFN对高维表示更划算"的数学本质；CED的PatchMerge思路与ViT的patch embedding类似，但在下采样环节使用，让1×1Conv能"看到"更多空间信息；与YOLO-World/PP-YOLOE等对比，RemDet-M在VisDrone上AP=27.3远超YOLOv8-M的24.4(+2.9)，且COCO上也达到49.8 AP说明不是过拟合；局限：RemDet-X仅29.9 AP，比ClusDet/GLASN等crop-detect方法(30.7)低，说明纯架构设计在极限精度上不如裁剪策略；UAVDT上对比方法较少；scratch训练300ep可能不如预训练baseline公平

Better Sampling (2024.07) ​

  • 论文: arXiv:2407.06127 (西交利物浦大学, Zile Huang等)
  • 核心: 端到端小目标检测的采样优化——SPR采样点约束+ST尺度对齐目标+SR任务解耦重加权
  • baseline: RT-DETR-R50
  • 训练: AdamW, lr=0.0002, weight_decay=1e-4, 2000 iter warmup, EMA(decay=0.9999), 数据增强(color distortion/flip/resize/expansion/crop), ResNet-50 backbone
  • 结果(VisDrone test, R-50): AP=32.3/AP50=66.4/AP75=36.7/APs=23.7/APm=50.0/APL=60.2, 参数43M；比baseline RT-DETR-R50(28.9)高+3.4 AP
  • 结果(SODA-D test, R-50): AP=31.4/AP50=63.7/AP75=28.1/APes=15.6/APrs=29.7/APgs=38.4, 比baseline(29.3)高+2.1 AP
  • 多数据集测试: VisDrone-2019, SODA-D (两数据集)
  • 关键创新:
    • SPR (Sample Points Refinement): 约束deformable attention中box外采样点的位置和权重——①offset loss: 让box外采样点尽量靠近box边界(不强制进box, η>1保持在外但靠近)；②attention loss: 让box外采样点的注意力权重低于box内所有点的权重；本质是"软约束"采样点聚焦ROI区域但不丢失周边信息"，而非硬性截断
    • ST (Scale-aligned Target): 将尺度信息融入分类目标——定义面积比ρ=A(B)/A(B̂)，结合IoU(u)生成目标置信度 c=u^β·v^(1-β)，其中v=e^{-θ(√ρ-1)²}；核心洞察：IoU相同但面积比不同时，面积比更接近1(预测框面积≈GT面积)的检测更可靠；β=0.73(几何平均偏向IoU但仍给尺度信息显著权重)，θ=6
    • SR (Sample Reweighting): 任务解耦的样本重加权——用分类/回归头的隐藏层特征拼接→Conv生成共享注意力A→分别与H^cls/H^reg做逐元素乘→Conv压缩得到各query的分类/回归权重w；训练初期折扣r=w^(1-|t-s|)防止未收敛时权重过大，收敛后r≈w；本质是让模型自动关注"难样本"(分类和回归不一致的样本)，而非人工定义难易
  • 消融(VisDrone): baseline=29.9→+ST=30.5(+0.6)→+SR=31.2(+0.7)→+SPR=31.8(+0.6)→三者叠加=32.3(+0.5协同增益)
  • 超参: β=0.73最优(0.3→30.4, 0.5→31.4, 0.73→32.3, 0.9→31.9)；θ=6最优；γ=1.5+α=0.5最优；η逐层递减(1.5,1.3,1.2,1.1,1.05,1.0)最优——浅层探索定位→深层精修边界
  • 泛化性: ST+SR迁移到GFL(+1.9/+2.1 AP)和TOOD(+0.8/+2.0 AP)均有效
  • 笔记: 三个策略都围绕"采样质量"——SPR管"在哪采样"，ST管"采样目标是什么"，SR管"采样权重怎么分配"；ST的面积比洞察很直观(IoU不变但预测框过大/过小都不好)；SR的任务解耦设计使分类/回归各自获得独立的重加权信号；局限：仅用R-50 backbone，未在更大backbone或轻量化模型上验证；SODA-D提升(+2.1)不如VisDrone(+3.4)，说明方法对极小目标增益有限；η的6层逐层设置需手动调参；未与YOLO系列等非DETR方法对比速度

ESOD (2024.07) ​

  • 论文: arXiv:2407.16424 (TIP 2024, 阿里云+浙江大学, Kai Liu等)
  • 核心: 高分辨率图像高效小目标检测——特征级filter-then-detect，复用backbone做目标搜索+自适应切片+稀疏检测头
  • baseline: YOLOv8 (FCOS-Style), 也支持ViT-based (ViTDet)
  • 训练: 1.25×放大输入(1536→1920)，ObjSeeker与检测器联合训练(warm-up阶段用GT mask，之后用预测mask)
  • 结果(VisDrone val, 1536输入): ESOD-YOLOv8-M AP=36.0/AP50=59.7/APs=28.3, 180.6 GFLOPs; 比baseline(1536) AP+4.7/APs+7.3; 比ClusDet高+8.1 AP
  • 结果(UAVDT test): ESOD AP=31.5/AP50=57.4, 比baseline高+8.0 AP
  • 结果(TinyPerson test): ESOD AP50^t=67.3/AP50^s=67.8, 比baseline高显著
  • 多数据集测试: VisDrone-2019, UAVDT, TinyPerson (三数据集)
  • 关键创新:
    • ObjSeeker: 复用backbone的stem(前几层)特征→轻量分割头预测objectness mask(哪些patch含目标)；不用额外网络，与检测器共享backbone权重，避免ClusDet等方法的额外计算开销；伪标签用高斯热图(GT中心→高斯核)，也可用SAM/Hybrid
    • AdaSlicer (Adaptive Feature Slicer): 根据ObjSeeker的mask自适应切片特征图——以目标中心为锚点向外扩展patch，而非均匀网格切片；解决均匀切片导致的物体截断问题(截断→漏检)；本质是"以目标为中心的动态ROI"，而非固定网格裁剪；CNN版本需Algorithm 1(逐步扩展)，ViT版本直接保留激活token更简单
    • SparseHead: 用ObjSeeker预测的object centers作为稀疏卷积的采样点，只在可能含目标的位置做检测头计算；无需额外学习参数，training-free，节省>50 GFLOPs
    • 特征级操作(非像素级): 整个filter-then-detect在特征图上完成，避免了像素级裁剪→重新提特征的冗余计算
    • 数据流细节: ①Stem提取特征F → ObjSeeker从F预测objectness mask M；②AdaSlicer根据M把F切成多个patch(推理:自适应不等大/训练:均匀8×8等大)，patch拼成新batch + offsets(原图坐标)送入Neck(FPN)；③SparseHead从M取目标中心坐标(局部极大值+阈值)，只在FPN输出的这些稀疏位置做卷积；④检测框用offsets映射回原图坐标；同一mask M两用：AdaSlicer决定"切哪"，SparseHead决定"在哪算"
  • 消融(VisDrone, YOLOv8-M, 1920输入): baseline(412.2G)=31.3 AP→+高分辨率=33.7(+2.4 APs)→+Uni FeatSlicer=30.5(-3.2,截断严重)→+AdaSlicer=35.7(+5.2,修复截断)→+SparseHead=36.0(+0.3); AdaSlicer降40%计算，SparseHead再降50G
  • BPR(目标召回率): box级99.3%/center级98.3%，极少漏切
  • 代码: https://github.com/alibaba/esod
  • 笔记: 核心洞察是"高分辨率对小目标有用但70%区域是背景→在特征级先找目标再切片检测"，比ClusDet/UFPMP的"额外网络找区域→像素级裁剪→重新提特征"高效得多；AdaSlicer解决截断问题的设计很关键(以目标中心为锚点而非固定网格)；SparseHead是"免费"的计算节省；三模块分工清晰：ObjSeeker管"在哪找"，AdaSlicer管"怎么切"，SparseHead管"怎么省"；局限：AdaSlicer的Algorithm 1不可并行→实际FPS提升有限(29.9 vs 22.8但计算量降50%+)；简化版Algorithm 2可并行但AP降0.3；ViT版本更优雅(直接丢弃token)但未充分实验；未在COCO等通用数据集验证

DNTR (2024.06) ​

  • 论文: arXiv:2406.05755 (TGRS 2024, 台湾交大NCTU, Hou-I Liu等)
  • 核心: 去噪FPN + Transformer R-CNN的微小目标检测——DN-FPN对比学习去噪+Trans R-CNN自注意力增强RoI表征
  • baseline: Faster R-CNN + FPN (两阶段框架)
  • 训练: 基于mmdet-aitod框架, AI-TOD训练36 epochs, VisDrone训练12 epochs, ResNet-50 backbone
  • 结果(VisDrone val, R-50, 12ep): DNTR AP=34.4/AP50=57.9/AP75=35.3；UFPMP+DN-FPN AP=37.8/AP50=62.7/AP75=38.6
  • 多数据集测试: AI-TOD, VisDrone (两数据集)
  • 关键创新:
    • DN-FPN (DeNoising FPN): FPN自顶向下融合时不同尺度特征间无正则化→产生噪声特征；DN-FPN用对比学习抑制每层噪声——将FPN每层特征视为正样本，融合后偏离较大的视为负样本，通过对比loss拉大干净特征与噪声特征的距离；本质是"用对比学习给FPN融合过程加正则化"，防止跨尺度融合引入不相关信息；即插即用，ATSS加DN-FPN后12.8→17.9(+5.1)
    • Trans R-CNN: 用Transformer替换标准R-CNN的RoI头——对RoI特征用self-attention替代纯FC，让微小目标获得全局上下文感知；本质是"用自注意力增强RoI特征表达"，弥补小目标RoI区域像素少、信息不足的问题
    • 组合效果: DN-FPN治"特征融合噪声"(FPN层)，Trans R-CNN治"RoI表征不足"(检测头)，两处改进互补
  • 代码: https://github.com/hoiliu-0801/DNTR
  • 笔记: DN-FPN的对比学习思路简洁有效，但论文未详细说明正负样本构造方式(何种特征为"噪声")；Trans R-CNN是标准思路(self-attention增强RoI)，创新性一般；亮点在AI-TOD上的APvt(极小目标)从0.0→12.8→15.2，提升巨大；VisDrone上DNTR本身34.4不算高(同R-50的Co-DETR更好)，但UFPMP+DN-FPN达37.8说明DN-FPN即插即用性不错；局限：两阶段框架推理速度较慢，未报告FPS；VisDrone结果不如同期DETR方法；DN-FPN的对比学习需额外memory bank或负样本构造，增加训练开销

Context-Aware Aerial Detection (2024.04) ​

  • 论文: arXiv:2404.04140 (清华大学+上海AI Lab, Botao Ren等)
  • 核心: 航空图像中利用物体间关系和背景语义的上下文感知检测——RoI Token+CLIP Token双流Transformer编码器
  • baseline: ReDet (旋转框两阶段检测器)
  • 训练: 基于mmdet框架, DOTA系列数据集, ReDet作为baseline
  • 结果(DOTA-v1.0, R-50): mAP50=68.30, 比ReDet(66.86)+1.37
  • 结果(DOTA-v1.5, R-50): mAP50=57.83, 比ReDet(52.53)+5.30(最大提升)
  • 结果(DOTA-v2.0, R-50): mAP50=48.78, 比ReDet(46.48)+2.30
  • 结果(DIOR-R): mAP50=72.16, 比baseline(68.93)+3.23
  • 多数据集测试: DOTA-v1.0, DOTA-v1.5, DOTA-v2.0, DIOR-R (四数据集)
  • 关键创新:
    • RoI Token + CLIP Token双流输入: RoI Token来自两阶段检测器的候选区域特征，CLIP Token来自多尺度图像分割→CLIP编码→语义token；两种token一起送入Transformer编码器交互
    • 空间感知注意力: 标准self-attention只算embedding点积，无法捕捉空间关系；本文在attention权重中注入几何关系编码(dx,dy,角度差,距离,IoU,面积比)6个空间特征，让注意力权重根据物体间距离/尺度/重叠度自适应调节；本质是"给Transformer注意力加几何先验"，让相近/相关的物体互相增强
    • 密度&尺度自适应权重(β): β由局部密度ρ和目标尺度ε控制——密度高的区域β更小(减少重叠RoI干扰)，尺度小的目标ε更小(更关注近距离关系)；核心是解决"密集场景中注意力被无关RoI淹没"的问题
    • CLIP背景语义: 图像分patch→CLIP image encoder→用预定义文本描述(如"water","road","building")查询→生成语义CLIP Token；多尺度层级融合+自监督loss防止表征坍缩；本质是"用CLIP的零样本语义给背景区域打标签"，弥补遥感数据集缺乏背景标注的问题
  • 消融(DOTA-v1.5): +RoI Token交互+2.7→+CLIP Token+2.5→+自适应权重+1.1→+自监督loss+0.5，总计+5.3 mAP50
  • 空间关系消融: 仅(dx,dy)→70.79, +角度差+距离→71.03, +IoU→71.46, +面积比→72.16(全用最优)
  • 代码: 未开源
  • 笔记: 核心洞察是"航空图像近似正射→空间关系≈物理关系→上下文比自然图像更可靠"，这为关系建模提供了理论基础；CLIP引入背景语义是亮点，解决了遥感数据集缺乏背景标注的痛点；空间感知注意力的6维几何编码设计合理；局限：错误传播问题——一个物体的误检会通过关系传播到邻近物体(如误检ship→附近也被判为ship)；仅验证旋转框检测(DOTA)，未在水平框(VisDrone)上验证；CLIP推理增加额外开销；0引用说明影响力待观察

Synthetic Data Training (2024.05) ​

  • 论文: arXiv:2405.19822 (Defense+Commercial Sensing, TNO荷兰应用科学研究组织, Frank A. Ruis等)
  • 核心: 合成数据训练目标检测器的基线方法论——利用Transformer的shape bias+强数据增强弥合sim-to-real gap
  • baseline: Faster R-CNN (ResNeXt-101 / CSP-Darknet53)
  • 训练: 合成数据训练→真实数据评估; 数据增强: MixUp+Mosaic+LSJ+RandAugment(brightness/contrast/pixelation/jpeg compression/gaussian blur)
  • 结果(DGTA-VisDrone合成→真实): Swin-S+Faster R-CNN(66.1M) mAP50=16.2(高增强)/7.8(低增强)；DINO+Swin-L(218M) mAP50=26.1；对比ResNeXt-101(2.4)/YOLOv5-X(10.2)
  • 结果(RarePlanes合成→真实): Swin-T mAP=40.8 vs ResNet-50 mAP=35.9(+4.9)
  • 结果(自建车辆数据集合成→真实): Swin-S mAP@50=94.8/mAP=80.1 vs ResNeXt-101 mAP@50=87.5/mAP=66.0
  • 多数据集测试: DGTA-VisDrone, RarePlanes, 自建车辆数据集 (三数据集)
  • 关键创新:
    • Transformer shape bias: CNN≈高通滤波器(重纹理)，Transformer≈低通滤波器(重形状)；合成数据中形状保真度高但纹理不真实→Transformer天然适合合成数据训练→shape bias让模型忽略纹理差异、关注几何一致性
    • 强数据增强: MixUp+Mosaic+LSJ防止过拟合合成数据分布；本质是"用增强做隐式域随机化"，让模型不依赖特定纹理模式
    • 不依赖域适应: 传统方法用domain adaptation(如AdaBN/UDA)弥合sim-to-real gap，本文仅靠架构选择(shape bias)+训练技巧(增强)即超越
    • 合成数据质量分析: DGTA-VisDrone存在问题(完全被遮挡的物体仍有标注→射线检测忽略遮挡)；标签质量是合成数据的常见问题
  • 代码: 未开源
  • 笔记: 核心洞察简洁有力——合成数据"形状对、纹理错"→Transformer天然对形状敏感→选对backbone比设计域适应算法更有效；这不是算法创新而是方法论贡献("先搞对baseline再谈创新")；VisDrone上26.1 mAP50虽然大幅超过baseline但仍远低于真实数据训练的结果，说明sim-to-real gap仍是硬伤；局限：纯合成训练性能天花板低；RarePlanes上shape bias增益有限(飞机形状都相似，细粒度靠尺寸区分→shape bias帮不上忙)；DINO+Swin-L 218M参数量大，不适合部署；未在真实数据finetune场景下验证

B2BDet (2024.01) ​

  • 论文: arXiv:2401.14661 (APSIPA ASC 2025, 东京工业大学, Ragib Amin Nihal等)
  • 核心: 超分辨率预处理+增强YOLOv5的航空小目标检测——SRGAN先恢复细节再检测
  • baseline: YOLOv5
  • 训练: SRGAN在航空数据集上从头训练(卫星+无人机+航拍)，SR-YOLOv5用强正则化+compound scaling+定制anchor+航空场景数据增强
  • 结果(VisDrone-2023 test): mAP50=52.5%, 27.7M参数, 109.5G FLOPs；比SCA-YOLO(47.4%)高+5.1；各类：PED=55.3/Car=87.8/Truck=64.1/Bus=73.0
  • 结果(NWPU-VHR10): mAP=90.5%(airplane 99.5%, vehicle 96.9%)
  • 结果(SeaDroneSee): mAP=76%(boat 96.3%, jetski 93.4%)
  • 结果(VEDAI): mAP=77.5%(car 89.3%)
  • 多数据集测试: VisDrone-2023, NWPU-VHR10, SeaDroneSee, VEDAI (四数据集)
  • 关键创新:
    • 两阶段流水线: Stage1 SRGAN超分辨率(2×上采样)→Stage2 SR-YOLOv5检测；本质是"先修图再检测"，用SR恢复小目标的像素信息而非靠检测器硬检测
    • 航空定制SRGAN: 在航空图像集上从头训练(非通用SR模型微调)，学习航空场景特有的纹理和结构映射；用对抗loss+感知loss生成更真实的HR图像
    • SR-YOLOv5改进: ①Backbone: C3STR模块(Swin Transformer编码器替代部分C3)→捕获全局上下文；②Neck: FPN多尺度聚合；③Head: SPP+BottleneckCSP扩展感受野和深度；④Focus层降计算量+增强小目标检测
    • 轻量化: 仅270层/27.7M参数(vs TPH-YOLOv5 470层/60M, YOLOv5-X 87.7M)
  • 消融(VisDrone): baseline YOLOv5=47.0→+SR预处理+2.6→+架构改进(EAM+CLFPN)+2.9→总计+5.5 mAP50=52.5
  • 代码: 未开源
  • 笔记: 思路简单直接——小目标看不清→先放大看清再检测，SR预处理的+2.6 mAP证明超分辨率对小目标确实有帮助；但两阶段推理(SR+检测)延迟翻倍，未报告端到端FPS，实际部署存疑；27.7M参数很轻量但109.5G FLOPs不算低；VisDrone mAP50=52.5%对比的是较老方法(SCA-YOLO 47.4%)，未与CEASC/QueryDet等同期方法对比；局限：两阶段推理速度是硬伤(SR一步额外开销)；SR可能引入伪影导致误检；消融不够细(未单独消融C3STR/SPP/CLFPN)；与单阶段端到端SR+检测方法未对比

2023年及以前 ​

ArXiv ID标题引用VisDrone 结果
OGMN: Occlusion-guided Multi-task NetworkarXiv44-
2303.08747CZDet: Density Crop无需额外模块-AP=33.22
2203.12976Focus-and-Detect: GMM两阶段+IBS-AP=42.06
SyNet: Ensemble Network for UAV ImagesarXiv48-
AMRNet: Chips AugmentationarXiv53-
1904.08008ClusDet: 聚类区域+尺度估计+局部全局融合350+AP=32.4

OGMN (2023.04) ​

  • 论文: arXiv:2304.11805 → 发表于 ISPRS J. Photogrammetry and Remote Sensing (SCI Q1, IF~12), Xuexue Li等(中科院空天院)
  • 核心: 针对UAV图像中遮挡问题提出遮挡引导的多任务检测框架；发现UAV遮挡有两大特殊性：特征混淆(occluded物体特征混入被遮挡物体) + 局部聚集(遮挡物在图像中密集聚集)
  • baseline: Cascade R-CNN (ResNet-50-FPN)
  • 三个核心模块:
    • OEM (Occlusion Estimation Module): 遮挡定位模块——用遮挡估计解码器生成遮挡热力图，显式定位遮挡区域位置；遮挡标签由GT框重叠关系自动生成(无需额外标注)，配合遮挡感知损失函数训练
    • ODH (Occlusion Decoupled Head): 遮挡解耦检测头——将遮挡定位结果与检测特征交互，在分类/回归分支中解耦遮挡信号，解决特征混淆；同时对遮挡样本加权，挖掘遮挡hard samples
    • TPP (Two-Phase Progressive Refinement): 两阶段渐进式精炼——第一阶段对原图粗检测，根据OEM的遮挡定位结果用k-means聚类裁剪遮挡密集子区域，第二阶段对子图精检测，最后NMS合并；本质是"遮挡引导的自适应切片推理"，比均匀切片更高效——只裁剪有遮挡的区域
  • 多数据集测试:
    • VisDrone-DET val: AP=35.0%, 比baseline(Cascade R-CNN)提升5.3%; AP₅₀=55.7%, AP₇₅=35.8%; 遮挡实例AR_occ显著提升
    • UAVDT: AP=24.2%, 优于GLSAN(19.0%)和FiFoNet(21.3%); 推理速度0.61s/图(同类方法水平)
    • 消融实验(VisDrone): OEM单独+3.6% AP, OEM+ODH+4.8% AP, OEM+ODH+TPP+5.6% AP
  • 参数开销: 参数仅增加3.2%(137.4M→141.8M), FLOPs 121.9G→147.9G
  • 笔记: 这是一篇方法创新型工作——首次将遮挡定位作为显式辅助任务引入UAV检测，OEM遮挡热力图生成(免额外标注)和ODH遮挡解耦设计有启发性；TPP的"遮挡引导切片"比SAHI均匀切片更有针对性；局限：TPP两阶段推理增加延迟(0.61s/图，无法实时)；OEM遮挡标签依赖GT框重叠，对无标注场景不可迁移；仅基于Cascade R-CNN验证，未在YOLO/DETR等主流检测器上验证泛化性；VisDrone val上35.0% AP与当前SOTA仍有差距(>40%的方法已很多)

CZDet (2023.03) ​

  • 论文: arXiv:2303.08747 (CVPR Workshops 2023)
  • 核心: 复用检测器本身检测density crop，无需额外聚焦模块
  • baseline: Faster R-CNN + FPN (ResNet-50)
  • 结果: VisDrone val AP=33.22, AP_S=26.06 (with P2, R-50)；AP=33.02, AP_S=25.74 (without P2)
  • 代码: https://github.com/akhilpm/DroneDetectron2
  • 关键创新:
    • Density Crop Labeling: 离线预处理，迭代合并GT框生成crop标签（N=2步，σ=20px，θ=0.1，π=0.3），将crop作为新类加入检测器
    • 训练: 原图缩放到检测器分辨率 + density crop放大后作为额外训练数据，检测器多学一个"density crop"类
    • 推理（两阶段级联）: Stage1检测base类+density crop类 → Stage2对高置信度crop放大后再次推理 → NMS融合两次结果
    • 核心优势: 无需额外可学习模块（区别于ClusDet的CPNet、DMNet的密度图），像uniform cropping一样简单，但有density cropping的效果
    • crop置信度过滤: 直接用检测器对crop类的置信度筛选（最佳0.7），无需复杂后处理
    • P2实验: P2是FPN最浅层特征图（最高分辨率），加P2能提升AP_S但开销巨大(FPS 26→18)；CZDet without P2(AP=33.02, AP_S=25.74)优于uniform crop with P2(AP=31.73, AP_S=25.13)且更快(11.64 vs 9.85 FPS)；without P2时baseline对目标检测更弱→检测器更依赖crop类覆盖密集区域→产生更多crop框→0.7阈值过滤后保留更多高质量crop→Stage2增益更大；说明density crop策略比加高分辨率特征图更高效
  • 笔记: 也适用于FCOS等anchor-free检测器；density crop策略比加P2特征图更高效

Focus-and-Detect (2022.03) ​

  • 论文: arXiv:2203.12976 (Signal Processing: Image Communication 2022)
  • 核心: GMM引导的两阶段框架 + IBS不完整框抑制
  • baseline: GFL (两阶段均基于GFL)
  • 结果: VisDrone val AP=42.06, AP50=66.12, AP_S=32.0 (当时SOTA)
  • 关键创新:
    • Focus阶段: GFL + ResNet-50(DCN)，GMM生成聚类区域作为监督信号，预测focal regions
    • Detect阶段: GFL + ResNeXt-101(DCN)，对focal regions裁剪放大后进行精细检测
    • GMM聚类: N_f = log2(N_gt)+2，距离向量作为输入，EM拟合，具有尺度归一化效果
    • IBS (Incomplete Box Suppression): 解决重叠focal region产生的截断框问题，IoU阈值为0.05(区域)和0.5(框)
    • 两阶段协作: Focus生成目标密集区域→Detect放大细检→IBS+NMS后处理

SyNet (2020.12) ​

  • 论文: arXiv:2012.12991 → 发表于 ICPR 2020 (25th Int. Conf. Pattern Recognition), Berat Mert Albaba & Sedat Ozer (Bilkent University, Turkey)
  • 代码: https://github.com/mertalbaba/SyNet
  • 核心: 融合多阶段检测器(Cascade R-CNN)和单阶段检测器(CenterNet)的集成网络，互补两者优劣
  • 动机: Cascade R-CNN精度高但漏检多(高FN), CenterNet召回高但框质量差；集成可同时降低漏检+提高框质量
  • 方法:
    • 双检测器: Cascade R-CNN (ResNet-101) + CenterNet (DLA-34)，分别独立训练
    • Weighted Box Fusion (WBF): 加权边界框融合——对两个检测器的预测结果按置信度加权合并，而非简单NMS取最优；WBF相比NMS的优势：不会丢弃低置信度但正确的框，而是通过加权修正位置
    • 图像增强: 从训练集中裁剪目标实例，粘贴到训练图像随机位置(每张图额外粘贴10-30个对象)，缓解类别不平衡；⚠论文未做消融，增强的独立贡献量未知
  • 多数据集测试:
    • VisDrone test-dev: mAP_C=25.1%, mAP₅₀=48.4%, mAP₇₅=26.2% (vs Cascade R-CNN 24.7/43.7/24.3, vs CenterNet 14.3/26.6/13.1)
    • MS-COCO val2017: mAP_C=47.2%, mAP₅₀=66.4%, mAP₇₅=52.1% (vs 单独Cascade R-CNN 42.7/61.6/46.6)
    • VisDrone各类别: Car最高(83.2%), Bicycle/Awning最低(23.8/24.2)；SyNet在所有10个类别上均优于两个子检测器
  • 笔记: 这是一篇工程集成型工作——核心贡献是"多阶段+单阶段检测器集成+WBF融合"，方法简单有效；WBF比NMS更适合集成场景(保留而非丢弃框)；图像增强策略(实例粘贴)也是实用技巧；局限：推理需两个完整检测器，显存占用远大于单个模型；速度与Cascade R-CNN相当(非实时)；VisDrone test 25.1% mAP_C偏低(同期SOTA已>30%)；未做消融实验验证WBF vs NMS的定量差异；CenterNet单独表现很差(14.3%)，集成主要靠Cascade R-CNN撑着，CenterNet的贡献存疑

AMRNet (2020.09) ​

  • 论文: arXiv:2009.07168 (未正式发表，仅arXiv预印本), Zhiwei Wei等
  • 核心: 针对航拍图像切片(chips)训练中的三大问题，提出三个数据增强模块，不增加推理开销
  • baseline: RetinaNet (ResNet-50), 均匀切6片(VisDrone)/4片(UAVDT), 输入800×1500
  • 三个增强模块:
    • Adaptive Cropping (AC, 自适应裁剪): 根据chip内目标平均尺度动态调整chip大小——小目标chip继续切分(partition)，大目标chip向外扩展(padding)，使所有chip内目标尺度趋近统一；本质是"训练时自适应切片"，解决inter-chip尺度差异问题
    • Mosaic Augmentation (MA, 马赛克增强): 解决chip目标稀疏问题，训练效率更高；直觉理解：切chip后约1/5的chip是"废片"(目标<3个)，MA把4张废片各裁出有目标的ROI拼成1张"好图"，让模型训练时每张图都能学到有效特征，不浪费时间看大片背景；消融：MA单独+1.8% AP
    • Mask Resampling (MR, 掩膜重采样): 用全景分割提取实例mask构建mask池，在道路区域粘贴少类样本；粘贴时考虑类别兼容性(如van附近贴truck/bus)、尺度匹配(线性缩放)、光照调整(HSV空间)；解决类别不平衡(VisDrone中car是tricycle的30倍)
  • 多数据集测试:
    • VisDrone val: AP=32.1%(ResXt101), AP_s=23.2; +多尺度推理 AP=36.1%, AP_s=29.0；ResNet-50即达31.7%超之前SOTA(DMNet 29.4%)
    • UAVDT: AP=18.2%(ResNet-50), 超ClusDet(13.7%)和DMNet(14.7%); Mosaic单独+1.6% AP(缓解背景相似)
    • 消融实验(VisDrone): AC单独+2.5%(29.5 vs 27.0), MA单独+1.8%, MR单独+1.5%; AC+MA=30.6%(主要增益), 三者组合+3.8%(30.8%); MR与MA增益重叠(都增加少类样本)
  • 关键发现: AC模块在多尺度推理下增益更显著(+1.7% vs 无AC的+0.6%)——因为AC让检测器聚焦特定尺度，多尺度推理补充其他尺度
  • 笔记: 这是一篇数据增强型工作——三个模块各有针对性(尺度/稀疏/类别)，且可独立使用不增推理开销，实用性强；AC的"训练时自适应切片"与OGMN的TPP"遮挡引导切片"、SAHI的"均匀切片"形成对比(AMRNet和OGMN按目标/遮挡位置裁剪，SAHI均匀裁剪)；MA的稀疏chip拼接思路简洁有效；局限：MR依赖全景分割(额外模型开销和误差传播)；类别兼容性规则为手工定义(不可泛化)；未与SAHI等切片推理方法对比；实验只验证RetinaNet一种检测器

ClusDet (2019.04) ​

  • 论文: arXiv:1904.08008 (ICCV 2019)
  • 核心: 聚类区域检测 + 尺度估计 + 局部-全局融合的端到端框架
  • baseline: Faster R-CNN + FPN (Detectron实现)
  • 结果: VisDrone val AP=32.4, AP50=56.2 (ResNeXt-101 + 多尺度)
  • 关键创新:
    • CPNet (Cluster Proposal Sub-network): 类似RPN但预测目标聚类区域（而非单个目标），需要更大感受野，附着在backbone顶层
    • ICM (Iterative Cluster Merging): 迭代合并CPNet输出的密集杂乱聚类框（NMM + TopN），减少冗余chip
    • ScaleNet: 以聚类为单位估计目标尺度偏移，输入=特征图+聚类框+全局初始检测结果，输出尺度回归偏移
    • PP (Partition and Padding): 根据ScaleNet估计的尺度，对chip分区或填充，确保目标尺度在合理范围[70,280]px
    • Local-Global Fusion: 融合聚类chip检测结果和全图检测结果，NMS去重
  • 优势: 比EIP少处理~50%图像(#img 2716 vs 3288)，AP更高；隐式建模上下文先验

Semantic Scholar 搜索结果 ​

搜索命令: semantic-scholar API - query: "VisDrone object detection"

2025 年 ​

标题来源/会议引用
YOLO-Fast: a lightweight object detection model for edge devicesJournal of Supercomputing15
FO-YOLO for small object detection in drone aerial imageryJournal of Supercomputing7

YOLO-Fast (2025.04) ​

  • 论文: DOI:10.1007/s11227-025-07172-3 (Journal of Supercomputing 2025, 南开大学, Zijing Song等)
  • 核心: FasterNet替换backbone+EMA注意力+稀疏训练+通道剪枝+知识蒸馏的轻量化YOLOv8
  • baseline: YOLOv8n
  • 训练: VisDrone数据集, 基于ultralytics框架
  • 结果(VisDrone): 比baseline mAP +1.03%；稀疏训练+通道剪枝后计算量减少35.5%；Atlas 200I开发板12ms/图
  • 关键创新:
    • FasterNet backbone: 用Partial Conv(PConv)替换YOLOv8标准backbone——PConv只对输入通道的1/4做空间卷积(其余3/4保持不变)，再通过1×1 Conv做通道混合；本质是"只卷部分通道+MLP混合"，减少冗余空间计算；代码中提供两种方案：①完整FasterNet backbone替换(yolov8-fasternet.yaml) ②C2f_Faster模块替换C2f(yolov8-C2f-Faster-EMA.yaml)
    • EMA (Efficient Multi-Scale Attention): 分组(8组)→每组内1×1 Conv生成H/W方向权重→GroupNorm+3×3 Conv双分支交叉注意力→softmax加权融合；本质是"轻量多尺度通道-空间联合注意力"，参数量远少于CBAM/SE；嵌入在Faster_Block_EMA中：PConv空间混合→MLP→EMA注意力→残差
    • 稀疏训练: 基于LAMP(Layer-Adaptive Magnitude-based Pruning)给权重加L1正则化，使部分通道权重趋向0，为后续剪枝做准备
    • 通道剪枝: 稀疏训练后按阈值裁剪接近0的通道，减少参数量和计算量；计算量减少35.5%
    • 知识蒸馏: 剪枝后精度下降→用剪枝前的完整模型作为teacher，对剪枝后student做特征蒸馏恢复精度到剪枝前水平
    • Faster_Block_EMA结构: shortcut→PConv(空间混合,只卷1/4通道)→Conv1×1升维→Conv1×1降维→EMA注意力→残差加
  • 代码: https://github.com/ZJ-Song-Lab/YOLO-Fast
  • 笔记: 这是一篇工程导向的轻量化工作，创新性有限但完整性好——FasterNet/PConv来自CVPR2023，EMA来自ICASSP2023，稀疏训练+剪枝+蒸馏是标准压缩流水线，本文贡献在于组合+VisDrone验证；35.5%计算量削减+12ms/图在Atlas 200I上的结果有部署参考价值；局限：mAP仅+1.03%提升很小，未报告具体mAP数值；EMA在Faster_Block内部的位置(PConv→MLP→EMA)是经验选择未消融；未与其他轻量化方法(YOLO-NAS, PicoDet等)在同等约束下对比速度-精度；VisDrone上mAP50未与同规模模型对比

FO-YOLO (2025.08) ​

  • 论文: DOI:10.1007/s11227-025-07688-8 (Journal of Supercomputing 2025, 安徽理工大学, Huaping Zhou等)
  • 核心: 特征优化YOLO——FAM特征增强+DDAFPN动态细节感知特征金字塔+OTA-E最优传输标签分配
  • baseline: YOLOv5 (基于ultralytics)
  • 训练: VisDrone-2019-DET, TinyPerson数据集; PyTorch框架
  • 结果(VisDrone val): mAP50=44.1%(FO-YOLOs), 比baseline YOLOv5s(+2.7%); FO-YOLOm mAP50=46.5%
  • 结果(TinyPerson val): AP50^t=66.8, AP50^s=67.2
  • 多数据集测试: VisDrone-2019, TinyPerson (两数据集)
  • 关键创新:
    • FAM (Feature Augment Module): 特征增强模块，平衡特征提取的丰富度与精细度；引用RFB Net(多尺度感受野)和DeepLab ASPP(空洞空间金字塔池化)，推测采用多分支空洞卷积捕获不同尺度上下文；本质是"用多尺度空洞卷积丰富backbone输出特征的感受野"，让小目标获得更大上下文信息
    • DDAFFPN (Dynamic Detail-Aware FPN): 动态细节感知特征金字塔网络——解决传统FPN细节信息利用不足的问题；引用BiFPN(加权特征融合)、NAS-FPN(自动搜索FPN结构)、AugFPN(增强多尺度学习)；推测采用可学习的动态权重融合+细节信息保留机制(如高分辨率分支旁路)；同时减少特征融合时的冗余信息；本质是"让FPN融合权重可学习+保留高分辨率细节"，而非固定上采样+add
    • OTA-E (Optimal Transport Assignment-EIoU): 将OTA(Optimal Transport, CVPR2021)的最优传输标签分配策略引入YOLO+用EIoU替代CIoU做回归loss；OTA把标签分配建模为最优传输问题(Sinkhorn迭代求解)，全局最优匹配而非局部贪心(NMS/TopK)；EIoU考虑宽高比+中心距离，对小目标回归更精确；本质是"用全局最优匹配替代局部策略+更精确的回归loss"，让小目标获得更准确的正样本分配
  • 代码: 未开源
  • 笔记: 三个模块分别改进backbone输出(FAM)、neck融合(DDAFPN)、head标签分配(OTA-E)，覆盖检测器全流程；但各模块均来自已有工作(FAM≈ASPP/RFB, DDAFPN≈BiFPN+AugFPN, OTA-E=OTA+EIoU)，创新性有限；VisDrone mAP50=44.1%与同期方法对比不算高(RemDet 52.0+, CEASC 46+)；局限：闭源论文，具体实现细节(DDAFPN的"动态"具体指什么、FAM的分支数和空洞率等)无法确认；未报告FPS/参数量/FLOPs；消融实验中各模块贡献度不明；TinyPerson结果与SOTA差距较大；仅基于YOLOv5，未在更新框架(YOLOv8/v10)上验证

2024 年 ​

标题来源/会议引用
Enhancing UAV Aerial Image Analysis: Integrating Advanced SAHI Techniques With Real-Time Detection Models on the VisDrone DatasetIEEE Access46

RT-DETR-X + SAHI (2024.02) ​

  • 论文: DOI:10.1109/ACCESS.2024.3363413 (IEEE Access 2024, Muhammad Muzammul等)
  • 核心: 将RT-DETR-X端到端检测器与SAHI切片推理结合，用于VisDrone无人机小目标检测
  • baseline: RT-DETR-X (来自arXiv:2304.08069, CVPR2024, 引用2997+)
  • 训练: VisDrone-DET数据集(10类), PyTorch框架; 使用原始分辨率图像训练+SAHI切片推理
  • 结果(VisDrone): RT-DETR-X AP=54.8%, FPS=74; 结合SAHI后小目标检测显著提升(论文未给出精确SAHI后数值，强调"significant progress")
  • 多数据集测试: 仅VisDrone-DET (单数据集)
  • 关键创新:
    • RT-DETR-X: Real-Time DEtection TRansformer-X——首个在速度和精度上同时超越YOLO系列的端到端Transformer检测器；核心改进：①高效混合编码器(AIFI + CCFM)替代DETR原始编码器 ②IoU感知查询选择替代DETR的随机查询初始化 ③不确定度最小化策略优化查询分配；本质是"去掉NMS的端到端DETR + 高效编码器 + 查询选择"，解决了DETR计算量大+NMS延迟两大痛点
    • SAHI (Slicing Aided Hyper Inference): 来自arXiv:2202.06934 (ICIP2022, 引用392+)——将高分辨率图像切成重叠切片，每个切片独立检测，再把结果合并(NMS去重)；本质是"图像级切片推理"，让小目标在切片中占更大比例，变相提高小目标的有效分辨率；推理时才切片，训练用原图
    • 组合意义: RT-DETR-X的NMS-free特性在SAHI切片推理中仍有一定优势——每个切片内部RT-DETR直接输出去重结果无需NMS，而YOLO每个切片内还需做一次NMS；但切片边界处的重复框问题两种检测器都会遇到，最终都需要全局NMS去重，RT-DETR省的只是切片内的NMS开销
  • 代码: SAHI开源 https://github.com/obss/sahi ; RT-DETR在PaddleDetection中
  • 笔记: 这是一篇工程组合型工作——RT-DETR-X和SAHI都是已有工作，本文贡献在于"首次在VisDrone上验证RT-DETR+SAHI组合效果"；RT-DETR-X端到端特性与SAHI的NMS-free契合度是有价值的发现；局限：论文本身创新性有限(组合已有方法+新数据集验证)；未给出SAHI前后的精确mAP对比表格；未报告SAHI切片大小/重叠率等超参设置；未与YOLOv8+SAHI等同条件对比速度(切片数×单帧推理≠原图推理速度)；引用中文献多为综述/UAV应用，检测方法论引用不足；仅VisDrone单数据集验证

VisDrone Challenge 官方论文 ​

ArXiv ID标题年份引用
2001.06303Detection and Tracking Meet Drones Challenge (IEEE TPAMI)2020824
IEEE / S2VisDrone-DET2021 (ICCV Workshops)2021260
Springer / S2VisDrone-DET2020 (ECCV Workshops)2020264
IEEE / PDF / S2VisDrone-DET2019 (ICCV Workshops)2019475
Springer / S2VisDrone-DET2018 (ECCV Workshops)2018133

VisDrone 系列论文总览 ​

  • 主论文: 2001.06303 → 发表于 IEEE TPAMI 2021, Pengfei Zhu, Longyin Wen, Dawei Du等(天津大学/Albany/Stony Brook等), 引用824次
    • VisDrone数据集 (2018年发布):
      • 4个任务: DET(图像检测)/VID(视频检测)/SOT(单目标跟踪)/MOT(多目标跟踪)
      • 规模: 10,209张静态图像 + 263个视频(179,264帧), 覆盖中国14个城市
      • DET: 10类(pedestrian/person/car/van/bus/truck/motor/bicycle/awning-tricycle/tricycle), 6,471训练+548验证+1,580test-challenge+1,610test-dev
      • 分辨率: 静态图最高2000×1500, 视频最高3840×2160
      • 标注: 250万+边界框, 含遮挡比例/截断比例属性
      • 类别极度不平衡: car实例数是awning-tricycle的40倍+
      • 遮挡严重: val集中遮挡>40%的实例占10.9%, >20%占29.6%
      • 评估指标: 与MS COCO一致(AP@[0.5:0.95], AP50, AP75, AR1/10/100/500)
    • 三年Challenge结果(DET track):
      • 2018(ECCV): 冠军HAL-Retina-Net AP=31.88(RetinaNet+SE+下采样上采样); 亚军DPNet AP=30.92(FPN+三backbone集成)
      • 2019(ICCV): 冠军DPNet-ensemble AP=29.62(Cascade R-CNN+全局上下文+可变形卷积); 整体进步不大
      • 2020(ECCV): 冠军DroneEye2020 AP=34.57(Cascade R-CNN+DetectoRS递归FPN+可变形卷积); 亚军TAUN AP=34.54(ATSS+mean teacher半监督); CDNet/CascadeAdapt AP≈34(切片+mosaic增强)
      • 趋势: Cascade R-CNN成为2020主流框架(7/10使用); 多尺度测试提升显著; 切片/增强策略开始流行
      • baseline: 纯Cascade R-CNN AP仅16.09%, 说明工程技巧贡献巨大
    • 关键发现:
      • 最佳AP(34.57%)仍<35%, person/bicycle等小目标AP<25%, 远未解决
      • 主要挑战: 极小目标 + 类别不平衡 + 密集遮挡(传统NMS会误删重叠真阳性)
      • 未来方向: ①群体标注+计数评估(替代逐框标注) ②粗分割替代边界框 ③检测+跟踪联合框架 ④效率优化(AutoNAS)
    • 其他Track简要:
      • VID: 2019冠军DBAI-Det AP=29.22(Cascade R-CNN+可变形卷积), 视频时序信息利用不足
      • SOT: 2020冠军SMILEv2(DiMP+SiamMask+SORT集成), success=55.5; 长期跟踪仍困难
      • MOT: 2020冠军COFE AP=61.88(粗类别训练+投票策略); ReID模型对跟踪至关重要

VisDrone-DET2021 (ICCV Workshops 2021) ​

  • 论文: IEEE Xplore / S2, 引用260; ⚠️无免费PDF，需IEEE付费
  • 内容: 2021年DET赛道报告

VisDrone-DET2020 (ECCV Workshops 2020) ​

  • 论文: Springer / S2 (ECCV LNCS), 引用264; ⚠️无免费PDF，需Springer付费
  • 内容: 2020年DET赛道详细报告, 冠军DroneEye2020(Cascade R-CNN + DetectoRS) AP=34.57

VisDrone-DET2019 (ICCV Workshops 2019) ​

  • 论文: IEEE Xplore / 免费PDF / S2, Dawei Du等, 引用475; ✅唯一有免费PDF的Challenge report
  • 内容: 2019年DET赛道详细报告, 冠军DPNet-ensemble AP=29.62; 与2018相比进步有限

VisDrone-DET2018 (ECCV Workshops 2018) ​

  • 论文: Springer / S2 (ECCV LNCS), Pengfei Zhu等, 引用133; ⚠️无免费PDF，需Springer付费
  • 内容: 首届VisDrone DET赛道报告, 冠军HAL-Retina-Net AP=31.88; 首次系统性评估无人机检测算法

VisDrone 小目标检测优化方向总结 ​

优化方向核心思路代表方法关键效果
P2/高分辨率检测头引入1/4分辨率检测层，保留浅层空间细节SOD-YOLO(+P2), FDM-YOLO(+P2去P5), FBRT-YOLO(MKP替代P5), FMC-DETR([D2,D4]替代[D3,D4,D5])P2单独+2.9~5.2 mAP；FMC-DETR检测头变更暴涨+5.4 AP
去深层检测头去掉P5/S5等深层冗余，减少对小目标无用的语义FDM-YOLO(去P5), FBRT-YOLO(MKP替代P5), EFSI-DETR(去F5), FMC-DETR(去S5)去P5参数减少，AP不降或反升；EFSI-DETR去F5后AP+1.2参数-2.8M
切片/裁剪推理将高分辨率图像切片后分别检测，提高小目标有效分辨率SAHI(均匀切片), CZDet(density crop), ClusDet(聚类裁剪), ESOD(自适应特征切片), OGMN/TPP(遮挡引导切片), ZoomDet(非均匀重采样)CZDet AP=33.2; Focus-and-Detect AP=42.06; ESOD AP=36.0
频域增强在频域(FFT/小波)中分离高低频，针对性增强高频细节EFSI-DETR(空间模拟频谱), FMC-DETR(真小波+KAN), SO-DETR/DDF, UAV-DETR/MSFF-FE, MGDFIS/FTSSAFMC-DETR AP=33.2; SO-DETR-R50 AP=31.5
信息瓶颈/维度扩展用信息瓶颈理论指导backbone设计，高维表示减少信息损失RemDet(ChannelC2f+GatedFFN+CED)RemDet-M AP=27.3 vs YOLOv8-M 24.4(+2.9)
轻量化部分卷积/重参数化/剪枝蒸馏，在保持精度下减参数FBRT-YOLO(-66%参数), FDM-YOLO(-38%参数), YOLO-Fast(-35.5%计算量)FBRT-YOLO-X 22.8M参数AP=30.1; FDM-YOLO 0.69M参数mAP50=42.5%
类别平衡解决VisDrone严重长尾分布(car是tricycle 40倍+)AD-Det(DCC动态类别平衡), AMRNet/MR(掩膜重采样粘贴少类)AD-Det AP=35.3; AMRNet MR单独+1.5%
遮挡处理显式定位遮挡区域，解耦遮挡特征，遮挡引导切片OGMN(OEM遮挡估计+ODH解耦+TPP遮挡引导切片)OGMN AP=35.0(+5.3 vs baseline)
密度图引导用密度图引导注意力稀疏化/查询分配/NMS阈值Dome-DETR(DeFE+MWAS+PAQI)Dome-DETR-L AP=39.0(+2.5)
查询选择优化放大框让小目标IoU更敏感，优先选小目标anchor作querySO-DETR(Expanded-IoU), Better Sampling(ST尺度对齐+SPR)SO-DETR EV2查询选择+1.2 AP; Better Sampling AP=32.3
NMS改进软抑制/动态阈值保留密集场景真阳性SOD-YOLO(Soft-NMS +5.8 mAP零额外计算), Dome-DETR(密度自适应动态NMS)Soft-NMS是VisDrone上性价比最高的改进之一
超分辨率预处理先用SR恢复小目标像素信息再检测B2BDet(SRGAN+YOLOv5), ZoomDet(非均匀重采样)B2BDet SR预处理+2.6 mAP; ZoomDet AP_S+2.7
集成/融合多检测器互补+WBF加权融合SyNet(Cascade R-CNN+CenterNet+WBF)VisDrone test mAP=25.1(偏低)
文本引导/开放词汇检测利用VLM的文本-图像对齐能力，实现零样本/开放词汇检测Cross-View OVD(OWLv2+跨视角对比对齐), TG-YOLO(YOLO-World+C3k2文本引导)Cross-View OVD zero-shot mAP=44.97; TG-YOLO mAP50=30.7(提升有限)
CLIP语义融合用CLIP编码背景/区域语义，弥补遥感数据缺乏背景标注Context-Aware Aerial Detection(RoI Token+CLIP Token双流Transformer)DOTA-v1.5 mAP50+5.3(仅在旋转框验证，未测VisDrone水平框)

关键洞察 ​

  1. P2检测头 vs 切片推理：两者都解决"小目标分辨率不够"的问题，P2在特征空间操作(计算量巨大但端到端)，切片在图像空间操作(简单有效但需NMS去重)；CZDet去掉P2反而更好说明density crop可替代P2
  2. 去深层(P5/S5)是一致性发现：EFSI-DETR/FMC-DETR/FDM-YOLO/FBRT-YOLO都发现深层检测头对VisDrone小目标贡献有限甚至有害，去掉后参数减、AP不降
  3. 频域增强是2025年热点：EFSI-DETR/FMC-DETR/SO-DETR/UAV-DETR/HEDS-DETR/MGDFIS都在做频域，但真FFT(EFSI-DETR不用)vs空间模拟(EFSI-DETR)vs小波(FMC-DETR)各有取舍
  4. Soft-NMS性价比极高：SOD-YOLO中零额外计算+5.8 mAP，说明NMS误删是VisDrone密集场景的重大损失来源
  5. 工程技巧贡献巨大：Challenge中纯Cascade R-CNN仅16.09% AP，冠军34.57%——一倍以上的提升来自多尺度测试/切片/增强/模型集成
  6. 多模态/VLM是新兴但尚不成熟的方向：TG-YOLO(文本引导)mAP50仅30.7提升微弱，Cross-View OVD zero-shot虽惊艳但用632M参数ViT-H/14 vs 轻量YOLO对比不公平，Context-Aware的CLIP语义融合仅在旋转框验证——VLM对UAV检测的价值在于泛化(零样本/跨域)而非精度，实用路线是VLM预训练做初始化+检测器微调
  7. 通用实用技巧（从历年Challenge和方法总结）：
    • 多尺度测试：几乎所有方法都使用，稳定+2~4 AP
    • 特征增强：SE注意力、可变形卷积、HRNet backbone
    • 数据增强：Mosaic、SNIPER、实例粘贴(AMRNet)、遮挡增强(OGMN)
    • 超分辨率/图像放大：SR预处理(B2BDet)、非均匀重采样(ZoomDet)
    • WBF替代NMS：集成场景中保留低置信度正确框(SyNet)

Last updated: 2026-04-16