摘要

本文关注一类具有极端长宽比的特定目标——即细长物体（slender objects）的检测问题。在现实场景中，细长物体普遍存在且对检测系统的目标实现至关重要。然而，以往的目标检测算法对此类物体的关注极为有限。通过深入分析发现，若仅针对细长物体进行评估，经典目标检测方法在COCO数据集上的mAP指标会骤降18.9%。因此，本文系统地研究了细长物体检测问题，并构建了一个精心设计的基准测试框架与评估协议，支持对不同算法与模块的系统性检验与对比。本研究的重要发现是：实现高效细长物体检测，无需依赖（1）基于锚框（anchor-based）的定位机制，也无需采用专门设计的边界框表示方式。真正关键的提升路径在于特征适应（feature adaptation）。该研究揭示并拓展了现有方法中此前被忽视的有益洞察。此外，本文提出了一种新颖的特征适应策略，在当前主流目标检测方法上均实现了显著且一致的性能提升。