具有全局上下文增强的自适应稀疏卷积网络用于无人机图像上更快的目标检测
计算机视觉与模式识别
2023-03-28 v1
摘要
在资源受限的无人机（UAV）平台上进行低延迟的无人机图像目标检测是一项重要但具有挑战性的任务。本文研究基于稀疏卷积优化检测头，其被证明在平衡精度与效率方面有效。然而，它存在微小目标上下文信息整合不足，以及在前景尺度变化时对掩码比例控制笨拙的问题。为解决上述问题，我们提出了一种新颖的全局上下文增强自适应稀疏卷积网络（CEASC）。它首先开发了上下文增强组归一化（CE-GN）层，通过将基于稀疏采样特征的统计量替换为全局上下文统计量，然后设计了一种自适应多层掩码策略，以在不同尺度上生成最优掩码比例以实现紧凑的前景覆盖，从而提升精度与效率。在两个主要基准即VisDrone和UAVDT上的大量实验结果表明，CEASC在嵌入典型的SOTA检测框架（如RetinaNet和GFL V1）时，以具有竞争力的性能显著减少了GFLOPs并加速了推理过程。代码见https://github.com/Cuogeihong/CEASC。
引用
@article{arxiv.2303.14488,
title = {Adaptive Sparse Convolutional Networks with Global Context Enhancement for Faster Object Detection on Drone Images},
author = {Bowei Du and Yecheng Huang and Jiaxin Chen and Di Huang},
journal= {arXiv preprint arXiv:2303.14488},
year = {2023}
}
备注
Accepted by CVPR 2023