用于小目标检测的去噪 FPN 加 Transformer R-CNN
计算机视觉与模式识别
2025-04-22 v4
摘要
尽管计算机视觉领域取得了显著的进展，但对微小目标的精确检测仍然是一个重大挑战，主要是由于这些目标在图像数据中占据的像素极少。这种挑战在地球科学和遥感领域尤为突出，由于高保真检测微小目标可以促进从城市规划到环境监测等多种应用。本文提出了一种新框架，即去噪 FPN 加 Trans R-CNN（DNTR），以提高小目标检测性能。DNTR由一个易于集成的设计——去噪 FPN（DN-FPN）和一个有效的基于 Transformer 的检测器 Trans R-CNN 组成。具体而言，特征金字塔网络中的特征融合对于检测多尺度目标至关重要。然而，在不同尺度特征之间缺乏正则化，可能在融合过程中产生噪声特征。因此，我们引入DN-FPN模块，该模块利用对比学习抑制顶部路径中每个尺度级别特征中的噪声。其次，基于两个阶段的框架，我们将已过时的 R-CNN 检测器替换为新的 Trans R-CNN 检测器，以专注于自注意力机制对小目标的表示。实验结果表明，DNTR 在 AI-TOD 数据集上以至少17.4%的 APvt 提升， 在 VisDrone 数据集上以9.6%的 AP 提升。我们的代码将在 https://github.com/hoiliu-0801/DNTR 上提供。
关键词
引用
@article{arxiv.2406.05755,
title = {A DeNoising FPN With Transformer R-CNN for Tiny Object Detection},
author = {Hou-I Liu and Yu-Wen Tseng and Kai-Cheng Chang and Pin-Jyun Wang and Hong-Han Shuai and Wen-Huang Cheng},
journal= {arXiv preprint arXiv:2406.05755},
year = {2025}
}
备注
The article is accepted by IEEE Transactions on Geoscience and Remote Sensing. Our code will be available at https://github.com/hoiliu-0801/DNTR