本文经计算机视觉研究院公众号授权转载，转载请联系出处。
PART/1 概述
目前航拍图像中检测物体有着一下几项重大挑战：
1）航拍图像通常具有非常大的尺寸，通常有数百万甚至数亿像素，而计算资源有限。
2） 物体尺寸小会导致有效检测的信息不足。
3） 不均匀的对象分布会导致计算资源的浪费。
为了解决这些问题，研究者提出了YOLC（You Only Look Clusters），这是一个基于无锚目标检测器CenterNet的高效框架。为了克服大规模图像和非均匀对象分布带来的挑战，引入了一种局部尺度模块（LSM），该模块自适应地搜索聚类区域以放大以进行精确检测。此外，研究者还使用Gaussian Wasserstein distance（GWD）修改回归损失，以获得高质量的边界框。检测头采用可变形卷积和细化方法来增强对小物体的检测。对包括Vi sdrone2019和UAVDT在内的两个航空图像数据集进行了广泛的实验，以证明新提出的方法的有效性和优越性。
PART/2 背景
早期的研究提出了新的多尺度训练策略，如图像金字塔的尺度归一化（SNIP）及其改进版本。这些方法可以有效地提高小对象的检测性能，而多尺度训练对计算资源和内存容量都有很大的要求。另一种方法是提高图像分辨率或特征分辨率。例如，生成对抗网络（GAN）可用于补偿小对象的信息丢失。因此，可以缩小小对象和大对象的特征表示之间的差距；但是计算成本将是昂贵的。最近，一些基于标签分配的方法旨在改进罕见小对象样本的样本分配策略。它们提高了小物体的检测性能，但在准确性或效率方面仍有改进的潜力。
高分辨率航空图像中小物体的不均匀分布对探测器提出了重大挑战，导致大规模航空图像的效率或精度降低。为了解决这些问题，一种简单的方法是将图像分成几个部分并放大，如均匀裁剪所示。然而，这种方法无法解释物体的非均匀分布，检测所有作物仍然需要大量时间。
为了应对上述挑战，已经提出了主流解决方案，包括设计专用方案来定位集群区域，这些方案可以随后用于检测。ClusSet采用集群检测网络来检测目标集群。DMNet对目标分布进行建模，并通过密度图生成聚类区域。这些策略显示出有希望的结果，因为聚类区域被保留，背景被尽可能地抑制。然而，对每种作物的独立检测降低了推理速度。此外，虽然上述方法生成了集群区域，但某些集群中的对象分布很稀疏，对最终性能的贡献很小。因此，在精度和效率之间实现最佳折衷是航空图像中目标检测的关键问题。
PART/3 新算法框架
- 准备工作
CenterNet是一个强大而高效的无锚目标象检测框架。与使用锚点预测边界框的传统方法不同，CenterNet从对象的中心点回归对象的大小、方向、姿势和关键点。这是通过一个全卷积网络实现的，该网络生成对象中心的热图（密度图），然后通过在热图中找到局部最大值来定位中心。使用这些峰值位置的特征，可以推断出物体的大小。由于其简单性，CenterNet在不依赖复杂特征工程的情况下实现了非凡的性能。它是一种快速有效的对象检测方法，已被研究界广泛采用。CenterNet作为一种代表性的无锚探测器，采用高分辨率特征图进行预测，使其对小物体特别友好和高效。密度贴图是提供图像中对象分布信息的强大工具。在CenterNet中，密度图用于定位对象。为了提高检测器检测小物体的性能，我们使用转置卷积层对特征图进行上采样，以匹配输入图像的大小。此外，我们提出了一种局部尺度模块，该模块利用热图自适应地搜索聚类区域并调整其大小以适应检测器，这可以进一步提高检测精度。
- You Only Look Clusters
提出的YOLC遵循与Center-Net类似的管道，但它与CenterNet的区别在于使用了不同的主干、检测头、回归方式和损失函数。特别是，HRNet被用作生成高分辨率热图的骨干，这些热图更擅长检测小物体。此外，由于航空图像中物体的分布不平衡，设计了一种局部尺度模块（LSM）来自适应地搜索聚类区域。在检测到原始图像和裁剪后，在密集区域中，精确的结果直接替换为原始图像的结果。
- 高分辨率热图
为了提高在充满小物体的密集区域进行物体检测的准确性，YOLC使用了更高分辨率的热图。在CenterNet中，每个对象都被建模为其边界框中心的一个点，由热图中的高斯斑点表示。然而，相对于输入图像，热图被降采样了4倍。这种下采样可能会导致小物体在热图中只折叠成几个甚至一个点，从而难以准确定位它们的中心。为了解决这个问题，YOLC采用了一种经过修改的管道，该管道使用了更高分辨率的热图。具体来说，我们添加了一个卷积层和两个转置卷积层，以将热图放大到与输入图像相同的大小。这使我们能够捕获有关小物体的更详细信息，从而在密集区域中实现更准确的物体检测。在解码之前应用高斯滤波器有助于减少CenterNet中的假阳性预测。过滤器平滑热图并抑制对象周围的多个峰值。这种方法有助于提高对象的定位精度，并减少误分类的机会。
- Local Scale Module
兴趣区域建议方法是基于裁剪的目标检测模型的关键组成部分。然而，在航拍图像中，车辆和行人等物体往往聚集在几个聚集的区域。图像中的大多数区域都是背景，不需要检测。此外，密集区域的有限分辨率可能会导致检测性能显著下降。现有的基于裁剪的方法，如DMNet，会产生许多作物或使用像ClusSet这样的额外网络，导致检测速度低和模型参数增加。为了解决这些问题，研究者提出了一种局部尺度模块（LSM），可以自适应地定位聚类区域。LSM受到AutoScale的启发，但研究者进行了一些修改，使其适用于航空图像。首先，LSM不是只搜索单个最大聚类区域，而是通过对每个网格中的密度进行排序来定位前K个密集区域。这很重要，因为航空图像通常有多个聚类区域。其次，AutoScale是为人群计数和定位而设计的，它只适用于具有单类目标的场景。然而，在航空图像中，有多个目标类别。研究者还注意到，UCGNet使用DBSCAN和K-Means等聚类方法从密集区域生成图像裁剪。然而，UCGNet产生的作物仍然很大，没有考虑不同作物之间的密度差异。
- Improved Detection Head
为了提高对航空图像中小目标的检测，回归分支通过可变形卷积进行了增强，因为它可以自适应地调整卷积操作中的采样位置，以更好地捕捉小细节。此外，为了更好地捕捉不同类别目标的精细细节，热图分支被解耦为多个子分支，每个子分支负责预测特定对象类别的热图。这不仅减轻了同时预测所有热图的计算负担，而且使网络能够专注于学习每个类别的不同特征，从而提高了探测器的整体性能。下图展示了经过这些改进的检测头的结构。
PART/4 实验及可视化
性能比较。“O”、“C”、“CA”和“AUG”分别代表原始验证集、均匀图像分割（EIP）裁剪图像、集群裁剪图像和增强图像。“*”表示多尺度推理。“†”表示通过超参数调整进行优化。
在VisDrone（第一行）和UAVDT（第二行）上可视化YOLC检测结果：
在VisDrone上可视化YOLC（右）和CenterNet（左）检测结果：
