Dilated Strip-Wise Spatial Feature Pyramid: An Efficient Network for Object Detection
Notice bibliographique
Résumé
Object detection has become a fundamental capability in modern computer vision, enabling critical applications from autonomous systems to aerial surveillance. Unmanned aerial vehicle object detection (UAV-OD) presents unique challenges, including small object sizes, occlusions, and complex back-grounds. While most existing approaches rely on standard feature pyramid networks (FPN) to combine multi-level features, these methods often fail to capture long-range contextual relationships and directional patterns essential for small object detection. To address these limitations, we propose dilated strip-wise spatial feature pyramid (DSSFP), a novel architecture that explicitly focuses on long-range dependencies through dilated strip-wise convolutions (Conv), directional features via spatial-aware attention mechanisms, and multi-scale context while preserving spatial resolution. On the VisDrone dataset, our method improves average precision (AP) by +22.3% and AP50 by +26.1% compared to the baseline. Our method establishes new state-of-the-art results on the AI-TOD benchmark (27.8% AP/59.9% AP50), improving the prior work by +3.3%. The consistent gains across small, medium, and large objects demonstrate the framework's robustness for UAV applications. Source code is available at: https://github.com/harish1120/HR-DSSFP
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».