CrossVL：用于跨视图视觉语言检测的复杂性感知特征路由和配对课程

视觉语言模型 (VLM) 可以实现文本引导的对象检测，但在地面和空中视点的高度、比例和空间布局不同的交叉视图场景下，性能会严重下降。这些几何变化引入了视点之间的系统复杂性变化，例如，地面图像包含密集且高度遮挡的结构，而航空图像则稀疏且全局组织。固定的 VLM 融合机制无法处理这种差异。我们提出了 CrossVL，这是一个结合了复杂性感知路径聚合（CPA）和配对课程学习（PCL）的框架，用于增强 VLM 的交叉视图检测。 CPA 根据多模态统计数据估计场景复杂性，并通过多种路径路由视觉特征以获得特定于视图的表示。 PCL 利用同步地空对的语义一致性来提供稳定的早期监督，然后逐渐转向随机采样。在 MAVREC 上，CrossVL 将 Florence-2 的空中 mAP 从 58.66% 提高到 61.03%，并将地空性能差距从 8.63pp 缩小到 6.65pp，同时还实现了随机种子方差减少 3.3 倍。 CPA 提供稳定的复杂性感知特征聚合，PCL 增强优化动态。他们共同证明了协调的架构和训练适应对于稳健的跨视图 VLM 检测至关重要。