LOGOS：语言引导的航空场景定向目标检测

近日，一篇题为“LOGOS: Language-guided Oriented Object Detection in Aerial Scenes”的论文被SOICT 2025接收。该论文提出了一种名为LOGOS的新型Transformer架构，通过引入文本提示来引导航空场景中的定向目标检测，显著提升了遥感图像分析的鲁棒性和可扩展性。

遥感图像中的目标检测面临诸多挑战，如目标方向多变、密度不均以及背景复杂。传统定向目标检测方法在处理角度不连续性、固定查询尺寸以及稀疏或杂乱场景时效率低下。LOGOS通过提示调制的内容查询机制，根据提供的文本动态调整模型的注意力焦点，从而在复杂环境中实现更高的检测准确性。

研究团队在DOTA数据集上进行了大量实验，结果表明LOGOS在密集排列和旋转目标场景中优于现有的最先进方法。该工作为遥感应用中定向目标检测的鲁棒性和可扩展性提供了重要进展。论文作者包括Trong-Thuan Nguyen和Minh-Triet Tran，相关代码和预印本已在arXiv上发布。

此外，LOGOS方法的核心创新在于其能够利用自然语言描述来引导检测过程，这使得模型可以更灵活地适应不同场景和任务需求。例如，通过提供“密集排列的建筑”或“旋转的车辆”等文本提示，模型可以自动调整其检测策略，从而在复杂场景中取得更好的效果。这种语言引导的范式不仅提高了检测精度，还增强了模型的可解释性和人机交互能力。

LOGOS的具体实现基于Transformer解码器的变体，其中文本提示通过交叉注意力机制与视觉特征交互。模型首先使用标准CNN骨干网络提取图像特征，然后通过可学习的查询与文本嵌入进行交互，生成动态的内容查询。这些查询随后被用于解码器层，逐步预测目标的边界框和类别。实验结果表明，LOGOS在DOTA数据集上的平均精度（mAP）比基线方法提高了2.5个百分点，尤其在大角度旋转和密集场景下提升显著。该项研究不仅推动了定向目标检测技术的发展，还为语言与视觉的深度融合提供了新思路。未来，LOGOS有望在自动驾驶、灾害监测和城市规划等领域发挥重要作用。