CLSC DETR：跨层几何支持把 UAV 小目标的候选排序拉回定位质量

单个 query 给出的定位质量，往往不足以支撑 UAV 小目标的可靠排序。CLSC DETR 把最终层候选放回中间编码层的局部邻域寻找几何支持，再让分类可靠性决定几何质量应当施加多大惩罚。论文在 VisDrone 上相对 MI-DETR 将 AP/AP75 提高 1.5/2.0 个百分点，在 UAVDT 上提高 3.0/3.8 个百分点；增益的落点是候选排序，而非新增候选。1

DETR 类检测器需要从一组 query 预测中排出更值得保留的候选。DINO、Rank-DETR、Align-DETR 和 MI-DETR 已经把定位质量纳入候选分数，但单个 query 面对几像素目标、遮挡和弱边界时，框的几何证据可能本身就不稳定。分类分数又回答的是“像不像目标”，两者发生偏离后，语义上可信但框偏移的候选，或框看似准确但类别不稳的候选，都可能获得不合适的排名。1

CLSC DETR 基于 MI-DETR 和 ResNet-50。网络仍然先生成多尺度特征，再经过编码器和解码器输出候选；新增部分集中在共享预测头之后：CLS-Module 汇聚跨层几何证据，CLC-Module 校准分类分数。这个位置很重要，因为它把“候选集合怎么产生”和“候选怎么排序”分开了。

共享预测头同时作用于中间编码层和最终层。对最终层的第 i 个候选，模块在每个中间层对应位置周围半径为 ρ 的局部邻域内收集辅助候选。辅助候选 j 在第 ℓ 层提供的几何证据为

这里的两项各自承担一个筛选条件：预测框需要和最终框有空间重叠，中间层候选自身还要有较高定位质量。模块从所有辅助候选中只保留 Top-K 条证据，求平均得到 Gᵢ，再计算

最终层自身的质量只有在跨层支持也成立时才会被放大。这个设计把一次预测变成了多层候选之间的局部一致性判断。

Top-K 的消融给出了它的边界。VisDrone 上 K=1、2、4、8 时 AP 分别为 35.1、35.2、35.0、34.8。K=2 最好，继续扩大聚合范围反而把错误对应带回质量估计。固定局部半径和固定 K 也意味着，尺度变化更大时，邻域未必仍然合适；论文把可学习邻域和自适应跨层聚合作为后续方向。1

CLS 得到 Qᵢᵍᵉᵒ 后，CLC 不直接使用一个全局固定指数。模块先从候选的最高类别概率 sᵢ、前两类概率间隔 mᵢ 和分类熵置信度 hᵢ 得到图像内归一化的分类可靠性 Rᵢᶜˡˢ。当分类证据强于几何证据时，保护因子

会增大，最终类别分数写成

因此，CLC 的作用可以具体地说成：分类很可靠的候选，几何质量下降时少受一些压制；分类本身摇摆的候选，则继续接受几何质量约束。它校准的是排序分数，候选数量和候选位置保持不变。

固定指数和线性融合在同一设置下的 AP 都为 34.8，本文自适应策略为 35.2；对应 AP50/AP75 分别是 57.2/35.4、57.3/35.4 和 57.9/35.9。增益只有 0.4 个百分点，却直接落在“候选之间怎样分配几何惩罚”这个设计点上。1

CLS 单独加入后 AP75 提高 1.6 个百分点，说明它对高 IoU 定位更敏感；CLC 单独加入后 AP50 提高 1.4 个百分点，说明分数保护先改善了较宽松匹配下的候选排序。两者合用后，AP 比基线高 1.5 个百分点，AP75 高 2.0 个百分点。这个交叉结果支持两条路径互补：CLS 稳定质量估计，CLC 处理质量与分类之间的尺度关系。

VisDrone2019-DET 使用官方训练集 6,471 张图像和验证集 548 张图像。CLSC DETR 的 AP/AP50/AP75/APS 为 35.2/57.9/35.9/26.6，MI-DETR 为 33.7/56.4/33.9/25.5。1

UAVDT-5.3K 从 30 个训练序列构造，24 个序列按每 4 帧采样训练，6 个序列按每 10 帧采样验证，得到 4,793 和 503 张图像，序列之间没有重叠。CLSC DETR 的 AP/AP50/AP75/APS 为 37.0/62.9/40.2/26.6；MI-DETR 为 34.0/59.1/36.4/22.7。UAVDT 的四项提升为 3.0/3.8/3.8/3.9 个百分点。论文把更大增益归因于车辆主导、类别分布集中、目标密集且尺度变化明显，使定位质量更容易影响排序。1

这组结果能支持“跨层支持在两套 UAV 协议中有效”。它还没有覆盖跨数据集迁移、不同 backbone、推理延迟或参数增量，因此研究者应把 CLSC DETR 看成一个候选排序增强模块，先在同一 MI-DETR 训练设置中验证模块消融，再测不同尺度下固定邻域和 Top-K 的稳定性。

论文采用 90,000 次迭代、AdamW、检测器学习率 1×10⁻⁴、主干学习率 1×10⁻⁵、权重衰减 1×10⁻⁴，在 2 张 RTX 5090 上以 batch size 4 训练；82,500 次迭代后将学习率降到 1×10⁻⁵。原始论文页面没有提供官方代码仓库链接。12

对研究选题而言，最可检验的增量有两个。第一，跨层候选的 IoU×q 是否比单层质量更稳定；第二，分类可靠性条件化的指数是否在不同目标密度下仍优于固定融合。论文已经给出 K、α、β、γ 的敏感性和 Mean IoU@K 可视化，下一步实验应补上排序相关指标与跨尺度邻域分析。