稀疏森林冠层遮挡下的多模态目标检测

稀疏森林冠层遮挡下的多模态目标检测研究取得了新的进展。来自印度的研究人员Nitik Jain和Mangal Kothari在arXiv预印本上发表了一项概念验证工作，旨在解决森林冠层下人类检测这一遥感难题。由于森林冠层遮挡稀疏且结构复杂，传统的光学或雷达遥感方法往往难以可靠地探测到地面目标。该研究提出了一种多模态管道，集成了三种互补的技术途径：首先，通过实验评估LiDAR信号穿透植被的能力，以确定主动传感的可行性。LiDAR作为一种常用的三维感知技术，在植被穿透方面存在局限，尤其是在稀疏森林中，其回波信号容易受到枝干和叶片的干扰。其次，采用基于多尺度变换和稀疏表示框架的可见光-热成像融合方法，将可见光图像与热红外图像进行融合，从而在低对比度场景中突出人体的显著性。热成像对温度差异敏感，可以在光照不足或背光情况下提供补充信息。第三，利用航空光学切片（AOS）技术生成合成孔径图像，以抑制冠层背景杂波，增强地面目标的对比度。AOS通过从不同视角采集图像并合成，能够有效去除遮挡物的影响。研究团队在Teledyne FLIR热成像数据集上对YOLOv5目标检测器进行了微调，并在原始热图像和融合图像上分别进行测试。实验结果表明，所测试的地面LiDAR配置在目标级检测中的穿透能力有限，而可见光-热融合显著改善了低对比度场景下的目标可见性。AOS在合成森林图像中有效增强了地平面检测能力。微调后的YOLOv5在FLIR数据集的前三类（人、车、自行车）上达到了约0.83的平均精度均值（mAP）。这些发现为可部署于无人机的森林搜索救援和监视系统建立了初步性能基线，同时也激励了未来在专用森林数据集、实时多模态融合等方面的进一步研究。该论文已被提交至计算机视觉与模式识别领域，编号为arXiv:2605.15326。