摘要
由于以下因素，从航拍图像中检测物体面临着重大挑战：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）物体尺寸较小导致有效信息不足，无法进行有效检测。3）物体分布不均匀导致计算资源浪费。为了解决这些问题，我们提出YOLC（You Only Look Clusters），一种基于无锚点目标检测器CenterNet的高效且有效的框架。为了克服大规模图像和非均匀物体分布带来的挑战，我们引入了一个局部尺度模块（LSM），该模块自适应地搜索聚类区域以进行缩放以进行准确检测。此外，我们使用高斯Wasserstein距离（GWD）修改回归损失，以获得高质量的边界框。在检测头中采用了可变形卷积和细化方法，以增强对小物体的检测。我们在两个航拍图像数据集Visdrone2019和UAVDT上进行了大量实验，以证明我们提出的方法的有效性和优越性。
关键词：航拍图像、小物体、目标检测、非均匀数据分布。
一、引言
近年来，目标检测领域取得了显著进展，尤其是随着深度学习的快速发展。目标检测器（例如Faster R-CNN[1]、YOLO[2]和SSD[3]）在自然图像数据集（例如MS COCO[4]、Pascal VOC[5]）上取得了令人瞩目的成果。然而，它们在航拍图像上的表现，在准确性和效率方面仍远未达到令人满意的水平。
航拍图像通常由无人机（UAV
