GroundingDino针对航空图像检测的改进 MM Grounding Dino Large

https://arxiv.org/abs/2401.02361

 

 

 

测试数据集构建

针对无人机航拍特性，构建包含以下场景的测试集：

• 城市航拍：建筑物、车辆、行人（分辨率3840×2160）
• 乡村农田：农机、作物行、电线杆（分辨率2560×1440）
• 灾害救援：倒塌建筑、救援车辆、幸存者（分辨率1920×1080）

 

典型案例分析
小目标检测能力：在300米高空拍摄的农田图像中（单个农机目标像素尺寸约20×30），模型实现89.7%的召回率，优于YOLOv8x的76.2%。通过可视化特征图可见，Swin-Large的stage4特征层（1/32下采样）仍能保留农机的关键轮廓信息。

类别泛化能力：对于训练集中未出现的"太阳能光伏板"类别，通过文本提示"a solar panel with blue cells"，模型实现零样本检测mAP 37.5，验证了GOLD-G数据集带来的开放式词汇理解能力。