# 赛题05：跨大视角下的海面目标检测与识别

## 赛题详细信息

本赛题聚焦跨视角域泛化目标检测这一开放科学问题，训练集提供大量有标注的卫星俯视图像及少量有标注的无人机斜视图像，测试集为无人机斜视图像。
参赛者需克服卫星视角（甲板俯视）与无人机视角（舷侧斜视）之间的巨大外观差异，完成准确的船只目标检测。评测采用 COCO 标准 mAP@0.5:0.95 指标，要求模型兼具精准定位与跨域泛化能力。

## 技术路线分析

六、赛题05：跨大视角海面目标检测

这个题我非常建议重点看。

因为评价指标非常明确：

mAP@[0.5:0.95]

这意味着：

你做的每一点优化都可以量化。

这对竞赛非常重要。

### 1. 标准 baseline

直接：

Satellite Images
+
UAV Images
 ↓
Detector
 ↓
Ship Detection

可以从：

YOLO 系列

RT-DETR

DINO

Deformable DETR

里挑 baseline。

### 2. 真正难点不是 Detection

而是：

P
Satellite

(X)

=P
UAV

(X)

卫星：

   ↓
   🚢
top view

无人机：

 ↘
🚢
side / oblique view

同一艘船的视觉模式变化非常大。

因此本质上是：

Cross-view Domain Generalization / Adaptation

### 3. 建议的完整路线
Satellite labeled data
       +
few UAV labeled data
       ↓
Strong Detector
       ↓
View Augmentation
       ↓
Domain Alignment
       ↓
Feature Generalization
       ↓
UAV Test
### 4. 第一类优化：几何增强

普通：

flip

crop

mosaic

不够。

应该针对跨视角设计：

perspective transform

projective transform

scale transform

affine

geometric distortion

模拟：

TopView→ObliqueView
### 5. 第二类：域对齐

模型：

Satellite
     ↘
      Shared Feature
     ↗
UAV

通过：

MMD

adversarial domain alignment

contrastive learning

feature distribution alignment

降低：

D(Source,Target)
### 6. 第三类：Target-aware teacher-student

因为有少量 UAV 标注，非常有价值。

可以：

Satellite + labeled UAV
 ↓
Teacher
 ↓
Pseudo labels / feature guidance
 ↓
Student
### 7. 第四类：生成式视角增强

这是一个比较好的创新点。

利用：

diffusion

image-to-image generation

把卫星数据：

Satellite→Pseudo−UAV

形成训练样本。

当然一定要注意：

生成图不能破坏目标位置和类别标签。

### 8. 当前发展

CVPR 2025 的真实卫星域泛化 benchmark 已经证明，真实空间、地域和采集条件变化会让目标检测器出现明显性能下降，因此 remote-sensing DG 仍然远未解决。

ICCV 2025 进一步使用生成式 AI 合成新域航空图像，通过多阶段知识迁移缩小 source-target distribution gap，在多个实验中显著提高 unseen-domain 检测表现。

针对无人机舰船，多视角数据集和专门的 oblique-view detector 也在 2025 年持续出现；例如 YOLO-UAVShip 使用 OBB、可变形卷积等机制解决斜视、长宽比和姿态变化问题。

所以：

跨平台 + 跨视角 + Domain Generalization

正是当前遥感检测的重要方向。

### 9. 为什么我很推荐这个赛题

因为比赛提分路线特别清楚：

Baseline
75
 ↓
Augmentation
78
 ↓
Better Backbone
80
 ↓
Domain Alignment
82
 ↓
Pseudo Label
84
 ↓
Ensemble
85+

虽然分数只是示意，但研发逻辑非常明确。

不像生成类赛题：

模型到底哪里错了有时候都很难定位。

推荐度
9.2/10

如果你们 CV 能力不错，这是我的第一梯队。

## 相关论文与开源项目

- [Benchmarking Object Detectors under Real-World Distribution Shifts in Satellite Imagery](https://openaccess.thecvf.com/content/CVPR2025/html/Al-Emadi_Benchmarking_Object_Detectors_under_Real-World_Distribution_Shifts_in_Satellite_Imagery_CVPR_2025_paper.html)（CVPR 2025）：建立真实空间、气候与地域分布偏移下的遥感目标检测域泛化 benchmark。
- [Adapting Vehicle Detectors for Aerial Imagery to Unseen Domains with Weak Supervision](https://openaccess.thecvf.com/content/ICCV2025/html/Fang_Adapting_Vehicle_Detectors_for_Aerial_Imagery_to_Unseen_Domains_with_ICCV_2025_paper.html)（ICCV 2025）：使用生成式 AI 合成航空图像与标签，并通过多阶段知识迁移改善未见域检测。
- [YOLO-UAVShip: An Effective Method and Dataset for Multi-View Ship Detection in UAV Images](https://doi.org/10.3390/rs17173119)（Remote Sensing, 2025）：面向无人机多视角舰船检测，引入 OBB、可变形卷积与长宽比目标定位机制。
- [MMRotate](https://github.com/open-mmlab/mmrotate)：OpenMMLab 旋转目标检测工具箱，支持 DOTA、HRSC 等遥感数据和多种角度表示。其最新正式版本较早，复现时需要锁定 PyTorch、MMCV 与 MMDetection 的兼容版本。
- 可选通用 detector baseline：[MMDetection](https://github.com/open-mmlab/mmdetection)、[Ultralytics YOLO](https://github.com/ultralytics/ultralytics)、[DINO](https://github.com/IDEA-Research/DINO) 和 [RT-DETR](https://github.com/lyuwenyu/RT-DETR)。

复现顺序建议：先固定 COCO `mAP@[0.5:0.95]` 的可重复 baseline，再依次验证视角增强、域对齐、teacher–student / 伪标签和集成；不要把示意分数当作预期成绩。