LOGOS：語言引導的航空場景定向目標檢測

近日，一篇題為“LOGOS: Language-guided Oriented Object Detection in Aerial Scenes”的論文被SOICT 2025接收。該論文提出了一種名為LOGOS的新型Transformer架構，透過引入文本提示來引導航空場景中的定向目標檢測，顯著提升了遙感影像分析的魯棒性和可擴充套件性。

遙感影像中的目標檢測面臨諸多挑戰，如目標方向多變、密度不均以及背景複雜。傳統定向目標檢測方法在處理角度不連續性、固定查詢尺寸以及稀疏或雜亂場景時效率低下。LOGOS透過提示調變的內容查詢機制，根據提供的文本動態調整模型的注意力焦點，從而在複雜環境中實現更高的檢測準確性。

研究團隊在DOTA資料集上進行了大量實驗，結果表明LOGOS在密集排列和旋轉目標場景中優於現有的最先進方法。該工作為遙感應用中定向目標檢測的魯棒性和可擴充套件性提供了重要進展。論文作者包括Trong-Thuan Nguyen和Minh-Triet Tran，相關程式碼和預印本已在arXiv上釋出。

此外，LOGOS方法的核心創新在於其能夠利用自然語言描述來引導檢測過程，這使得模型可以更靈活地適應不同場景和任務需求。例如，透過提供“密集排列的建築”或“旋轉的車輛”等文本提示，模型可以自動調整其檢測策略，從而在複雜場景中取得更好的效果。這種語言引導的正規化不僅提高了檢測精度，還增強了模型的可解釋性和人機互動能力。

LOGOS的具體實現基於Transformer解碼器的變體，其中文本提示透過交叉注意力機制與視覺特徵互動。模型首先使用標準CNN骨幹網路提取影像特徵，然後透過可學習的查詢與文本嵌入進行互動，生成動態的內容查詢。這些查詢隨後被用於解碼器層，逐步預測目標的邊界框和類別。實驗結果表明，LOGOS在DOTA資料集上的平均精度（mAP）比基線方法提高了2.5個百分點，尤其在大角度旋轉和密集場景下提升顯著。該項研究不僅推動了定向目標檢測技術的發展，還為語言與視覺的深度融合提供了新思路。未來，LOGOS有望在自動駕駛、災害監測和城市規劃等領域發揮重要作用。