提出VRF-DETR，一种Transformer架构，解决无人机图像小目标检测难题。引入自适应感受野和门控卷积，在精度和效率间取得平衡，超越现有算法。
原文标题：2025年小目标检测新突破！
原文作者：数据派THU
冷月清谈：
怜星夜思：
2、文章中提到了门控卷积（GConv）模块，它通过抑制不重要的空间响应来保留关键局部模式。除了GConv，还有哪些技术或者方法可以实现类似的功能，提高模型对关键信息的关注度？
3、VRF-DETR在VisDrone数据集上表现出色，但VisDrone主要集中在城市环境。如果将该模型应用到更复杂的场景，例如山区、森林等，可能面临哪些挑战？应该如何改进？
原文内容
来源：学姐带你玩AI本文约1500字，建议阅读5分钟本文提出了一种基于Transformer的无人机图像检测框架VRF-DETR，旨在解决无人机（UAV）检测任务中的小目标检测、密集遮挡和计算资源限制等问题。
论文题目：An Efficient Aerial Image Detection with Variable Receptive Fields
论文地址：https://arxiv.org/pdf/2504.15165
代码地址：https://github. com/LiuWenbin-CV/VRF-DETR.
创新点
-
引入自适应接收场选择机制，通过深度空洞卷积生成不同接收场的特征图，再利用空间注意力建立通道间关系，最后通过门控元素乘积实现自适应增强。
-
将门控机制引入卷积操作中，通过深度可分离卷积降低参数量，同时利用门控机制动态抑制不重要的空间响应，保留关键局部模式。
-
改进了RT-DETR中的C2f模块，采用级联结构，依次通过MSCF建立区域间关联、批量归一化和dropout层正则化特征、GConv进行空间自适应精炼，两侧的快捷连接保证梯度稳定流动，中间的dropout层防止特征共适配。
方法
本文提出了一种基于Transformer的无人机图像检测框架VRF-DETR，旨在解决无人机（UAV）检测任务中的小目标检测、密集遮挡和计算资源限制等问题。该框架通过三个关键组件实现：多尺度上下文融合（MSCF）模块，通过动态调整特征贡献解决固定尺度注意力的局限性，利用深度空洞卷积生成不同接收场的特征图，结合空间注意力和门控元素乘积实现自适应增强，提高对不同尺度目标的适应性；门控卷积（GConv）模块，将门控机制引入卷积操作，利用深度可分离卷积降低参数量，同时动态抑制不重要的空间响应以保留关键局部模式，提高局部特征建模能力；
VRF-DETR 的整体架构
本图展示了 VRF-DETR 的主体结构，包括远程遥感骨干网（RS-Backbone，其包含 GMCF 瓶颈用于特征学习）、多尺度融合编码器（集成了自适应空间注意力的 MSCF）以及网络中广泛分布的轻量级 GConv 操作符。这些模块共同构成了 VRF-DETR 实现航空检测中准确性和效率平衡的基础架构。
MSCF 模块的架构
本图展示了 MSCF 模块的详细结构，包括其重新组织的双分支结构，通过深度空洞卷积生成不同接收场的特征图，随后进行特征连接、空间选择和加权融合等操作，最终实现自适应接收场选择机制，为后续对不同尺度目标的检测提供动态调整特征贡献的能力。
GConv 模块的架构
本图呈现了 GConv 模块的三个关键部分：逐点卷积投影层、基于深度卷积的特征处理器（带有门控机制）以及残差连接。输入张量经过 1×1 卷积扩展通道后分为两部分，其中一部分经过深度可分离卷积和激活函数处理，再与门控张量进行逐元素乘法以实现动态特征重校准，最后通过 1×1 卷积恢复通道数并添加原始输入，实现高效的空间上下文建模。
实验结果
本表展示了VRF-DETR与多种先进目标检测方法在VisDrone-2019-DET验证数据集上的性能对比，包含两阶段、单阶段和端到端三类方法。VRF-DETR在模型复杂度（参数量13.5M、浮点运算44.3G）和检测性能（mAP50为51.4%、mAP50-95为31.8%）上均取得了优异平衡，超越了多种现有方法，如在与RT-DETR-R50对比中，VRF-DETR在保持更低参数量和浮点运算的同时，mAP50高出0.6%，mAP50-95高出0.3%。这表明VRF-DETR能有效应对无人机检测中的小目标、密集遮挡等问题，在资源受限设备上也有良好表现。
编辑：文婧
