摘要
基于无人机的车辆检测旨在从航拍图像中识别车辆的位置与类别，为智慧交通管理与灾害救援提供有力支持。研究人员在该领域投入了大量努力，并取得了显著进展。然而，在目标难以区分的场景下，尤其是低光照条件下，检测仍面临严峻挑战。为应对这一问题，我们构建了一个大规模基于无人机的RGB-红外图像车辆检测数据集，命名为DroneVehicle。该数据集共包含28,439对RGB-红外图像，覆盖城市道路、居民区、停车场等多种场景，并涵盖昼夜不同时间段。由于RGB图像与红外图像之间存在显著差异，跨模态图像虽能提供互补的有效信息，同时也引入了冗余信息。为解决这一矛盾，我们进一步提出一种不确定性感知的跨模态车辆检测框架（Uncertainty-Aware Cross-Modality Vehicle Detection, UA-CMDet），以有效提取跨模态图像中的互补信息，显著提升低光照条件下的检测性能。该框架中设计了不确定性感知模块（Uncertainty-Aware Module, UAM），通过计算跨模态交并比（IoU）以及RGB图像的光照强度值，量化各模态的不确定性权重。此外，我们还提出一种光照感知的跨模态非极大值抑制算法（Illumination-Aware Cross-Modal NMS），以在推理阶段更优地融合各模态的特异性信息。在DroneVehicle数据集上的大量实验表明，所提方法在跨模态车辆检测任务中具有良好的灵活性与有效性。该数据集可从以下地址下载：https://github.com/VisDrone/DroneVehicle。