本研究探讨了低秩适应（LoRA）在航拍图像跨域少样本目标检测中的应用。将LoRA集成到DiffusionDet中，结果显示在1-shot和5-shot的低样本设置下，性能略有提升，表明其在资源有限情况下的适应潜力，对少样本学习的微调策略研究具有重要意义。

本文研究了航拍图像中的目标检测方法，发现小物体较多导致性能差。提出了注意力机制和自适应尺度框相似性准则来改善小物体检测。通过度量学习和微调提出了两种通用少样本目标检测方法，微调方法在跨域少样本目标检测方面取得显著成果。利用TensorRT等工具解决了超大图像实时检测的挑战。

本文提出了一种使用人工神经网络和监督学习的数据集，在无人机拍摄的航拍图像中检测感兴趣对象的方法。同时，结合经典图像处理技术和预训练的神经网络实现了数据集的辅助标注和数据扩增，并评估了不同神经网络的性能。

该研究利用先进模型对地理位置的语音、语音的文本描述以及其拍摄地的航拍图像进行编码，构建了三种模态的共享嵌入空间，从而可以根据文本或音频查询构建任何地理区域的声音景观地图。该方法在 SoundingEarth 数据集上明显优于现有最先进方法，在图像到音频的召回率改善了从 0.256 提高到 0.450。