随着计算机视觉技术的不断发展,目标检测技术逐渐在安防、自动驾驶、无人机控制等领域得到了越来越广泛的应用。作为一项结合了目标定位和目标分类的综合性技术,目标检测算法的检测能力在环境简单、目标尺度适中的场景下已经逼近了人类的水平;然而,想要进一步提升目标检测技术的实际应用价值,需要更加关注其在复杂环境下、目标数量过多及小目标较多的场景中的表现。目前的目标检测技术在环境比较复杂或检测目标表现多样(如剧烈的尺度变化或角度变化)的场景下,其检测性能都会受到影响,需要对通用的目标检测框架做定制化的调整来适应这些应用场景;另一方面,真实场景中采集到的数据往往呈现出典型的长尾分布,直接使用这样的数据或仅仅使用简单的数据扩增策略来处理数据,往往会使训练得到的模型具有较大的模型偏差。通过无人机采集的航拍图像具有背景复杂、样本尺度和角度变化多样、数据呈长尾分布的特点,属于较难应用目标检测技术的场景。为了研究目标检测算法在这类场景下的实用性,并针对性地提升算法的表现,本文主要做了如下工作:1.通过对航拍图像数据集的数据分布和数据特点进行分析,针对性地设计了数据扩增策略,缓解了数据分布的长尾趋势,显著降低了训练得到的目标检测算法的模型偏差;2.以经典的二阶段目标检测框架Faster R-CNN为基线模型并结合FPN等著名方法,引入了改良的特征通道注意力机制和特征图空间注意力机制,显著提升了目标检测算法在航拍图像上的表现;3.通过迁移并改良细粒度分类、人脸识别领域的损失函数,提升了检测算法在复杂场景下的表现。