摘要
在无人飞行器（UAV）上训练基于深度学习的目标检测器，通常需要大量真实数据，而获取这些数据不仅成本高昂、耗时较长，且在某些特定环境中甚至可能违反法律法规。相比之下，合成数据的获取则快速且成本低廉。本文探讨了在多种应用场景下，利用合成数据进行UAV目标检测的潜力。为此，我们对开源框架DeepGTAV进行了扩展，使其适用于UAV场景。我们在多个领域内生成了多组大规模、高分辨率的合成数据集，并通过分析多种模型在不同训练策略下的表现，验证了这些数据在真实世界UAV目标检测任务中的有效性。此外，本文还系统研究了多种数据生成与采样参数的影响，为后续科学研究提供了可操作的工程指导建议。DeepGTAV框架的源代码已开源，获取地址为：https://git.io/Jyf5j。