ICCV 2025 | EV-UAV：首个基于事件相机的真实世界小目标检测数据集以及基线方法

本文聚焦于反无人机任务中具有挑战性的“小目标检测”（SOD）问题。由于无人机体积小且飞行环境复杂，传统的基于帧的相机在检测小目标时面临帧率低、动态范围有限和数据冗余等瓶颈。相比之下，事件相机以其微秒级时间分辨率和高动态范围，为小目标在极端光照和动态场景下的检测提供了新的可能。然而，基于事件相机的 SOD 仍存在诸多挑战，包括小目标特征弱、背景干扰强，事件帧转换造成的时序信息丢失，以及缺乏高质量数据集等。

为此，本文提出了一个大规模的事件相机小目标检测数据集（EVSOD），并基于时空事件点云设计了一种新型检测方法。在此基础上，进一步对多种深度学习方法进行了系统评估，旨在推动事件视觉在动态小目标检测，尤其是无人机识别领域的发展。

论文标题： Event-based Tiny Object Detection: A Benchmark Dataset and Baseline 论文地址： https://arxiv.org/abs/2506.23575 开源地址： https://github.com/ChenYichen9527/EV-UAV

由于无人机体积小并且其周边环境复杂，反无人机任务中的小目标检测（SOD）是一个具有挑战性的问题。传统的基于帧的相机由于其低帧率、有限的动态范围和数据冗余而难以在复杂环境中准确检测小目标。事件相机具有微秒级的时间分辨率和高动态范围，为 SOD 提供了一种更有效的解决思路。如图 1 所示， RGB 相机只能在正常光照下捕捉物体，而事件相机可以在各种极端光照条件下捕捉到小目标的连续运动轨迹（如红色曲线所示）。

尽管事件相机在 SOD 领域具有很大的潜力，但是将其用于 SOD 仍然面临以下挑战:

• 首先，小目标的小尺寸和有限的外观线索阻碍了特征学习，而且背景杂波会降低检测性能并导致虚警。

• 其次，当前基于事件的检测方法通常将事件转换为类似帧的同步图像表示，这破坏了事件数据的连续性和稀疏性，导致时间信息的丢失和冗余背景数据的不必要处理。

• 此外，缺乏大规模、高质量的数据集严重阻碍了基于事件的运动小目标检测的发展。

在本文中，我们首先构建了一个大规模的基于事件相机的运动小目标检测（EVSOD）数据集，然后基于时空事件点云表示开发了一种针对 EVSOD 的新型检测方法，最后以开发的数据集和提出的方法为基线，广泛评估了 EVSOD 的各种深度学习方法，从而解决上述挑战，推进基于事件的小运动物体（尤其是无人机的 EVSOD）检测的发展。

二、EV-UAV数据集

EV-UAV 数据集旨在更好地表示具有挑战性的现实世界场景，它具有大量具有小目标和动态背景的探测场景，为开发和评估反无人机方法提供了强有力的基准，如 Figure 2 所示。

此外，我们还提出了一种逐事件语义分割标注方法。该方法使用边界框标签逐个生成近似的事件注释，如 Figure 3 所示。

三、EV-SpSegNet

基于帧的检测器需要将事件转换为同步的图像表示，这压缩了事件的时间信息，使得检测已经缺乏明显外观线索的小目标变得更加困难。在原始事件数据中，运动目标产生的事件表现出很强的时空相关性，在事件点云空间中形成细长的连续曲线。利用这一特性，我们提出了 EV-SpSegNet，它直接对稀疏事件点云中移动目标生成的事件进行分段。此外，我们引入了一种新的时空相关性损失 STCLoss，该损失评估事件的局部时空相关性，以指导网络保留具有连续曲线的目标事件。

• 事件稀疏语义分割网络 EV-SpSegNet：小运动目标在时空事件点云中形成明显的连续曲线。然而，网络难以提取其特征，因为这些曲线跨越了很长的时间范围，而具有有限感受野的传统卷积操作无法有效地捕获全局特征。虽然注意力机制可以提取全局上下文，但它们的二次计算复杂性限制了它们处理大规模事件数据的能力。为了有效地从时空事件点云中的连续曲线中提取特征，我们设计了一个分组扩展稀疏卷积注意力（GDSCA）模块，如 Figure 4（b） 所示。该模块首先通过分组扩展稀疏卷积（GDSC）块捕获局部多尺度特征，然后使用 Patch Attention 实现分块的全局特征交互。

• 时空相关性损失 STCLoss：尽管 EV-SpSegNet 计算结构化输出并专注于大尺度邻域信息以更好地利用长期特征，但常用的语义分割损失（如：BCE Loss）会独立处理每个像素。他们没有考虑邻域的结构，例如对象的时空连续性，这对于描述对象形成的连续曲线至关重要。为此，我们提出了 STCLoss，它的核心思想是计算事件周围邻域内所有支持事件的置信度之和，并将其定义为时空相关性权重。它鼓励网络保留更多具有高时空相关性的事件，同时丢弃更多孤立的噪声。

四、实验结果

我们对比了通用的目标检测算法、基于事件的目标检测算法和一些点云语义分割算法，我们的 EV-SpSegNet 在所有评估指标下都实现了最佳的检测性能。定量和定性比较分别如 Table 2 和 Figure 6 所示。

更详细的消融实验可参见原文。

顺便宣传一下：最近我们团队系统整理了小目标检测与跟踪（SODT）领域的顶会/顶刊论文资源，方便大家高效追踪 SODT 领域的前沿进展，为科研工作提供参考。项目会持续更新，欢迎关注与使用！ 项目链接： https://github.com/ChenYichen9527/small_object_detection_resources

作者：陈诺 来源：公众号 【GrokCV】

llustration From IconScout By Scout Stores

-The End-

扫码观看！

本周上新！

“AI技术流”原创投稿计划

TechBeat是由将门创投建立的AI学习社区（www.techbeat.net）。社区上线700+期talk视频，3000+篇技术干货文章，方向覆盖CV/NLP/ML/Robotis等；每月定期举办顶会及其他线上交流活动，不定期举办技术人线下聚会交流活动。我们正在努力成为AI人才喜爱的高质量、知识型交流平台，希望为AI人才打造更专业的服务和体验，加速并陪伴其成长。

投稿内容

// 最新技术解读/系统性知识分享 //

// 前沿资讯解说/心得经历讲述 //

投稿须知

稿件需要为原创文章，并标明作者信息。

我们会选择部分在深度技术解析及科研心得方向，对用户启发更大的文章，做原创性内容奖励

投稿方式

发送邮件到

melodybai@thejiangmen.com

或添加工作人员微信（yellowsubbj）投稿，沟通投稿详情；还可以关注“将门创投”公众号，后台回复“投稿”二字，获得投稿说明。

关于我“门”

将门是一家以专注于数智核心科技领域的新型创投机构，也是北京市标杆型孵化器。 公司致力于通过连接技术与商业，发掘和培育具有全球影响力的科技创新企业，推动企业创新发展与产业升级。

将门成立于2015年底，创始团队由微软创投在中国的创始团队原班人马构建而成，曾为微软优选和深度孵化了126家创新的技术型创业公司。

如果您是技术领域的初创企业，不仅想获得投资，还希望获得一系列持续性、有价值的投后服务，欢迎发送或者推荐项目给我“门”:

bp@thejiangmen.com

点击右上角，把文章分享到朋友圈