更好的抽样，通向更好的端到端小目标检测
计算机视觉与模式识别
2024-07-09 v1
摘要
虽然深度学习基于通用目标检测在最近几年中取得了显著进展，但小目标检测的效果和效率仍令人不满意。这主要归因于小目标本身的有限特征，以及这些目标的高密度和相互重叠。现有的基于transformer的小目标检测器未能利用准确率与推理速度之间的差距。为解决这些挑战，我们提出了在端到端框架内增强抽样的方法。样本点细化（SPR）约束局部化和注意力，保留感兴趣区域内的有意义的相互作用，并过滤掉误导性的信息。尺度对齐目标（ST）将尺度信息整合到目标置信度中，改进小目标检测的分类。任务解耦的样本重加权（SR）机制引导注意力聚焦于具有挑战性的正样本，利用decoder层的结果来评估难度并调整分类损失。广泛的实验表明，我们提出的检测器在检测小目标方面表现出色。我们的模型在VisDrone数据集上比当前 state-of-the-art（SOTA）提高了2.9%的平均精度（AP），在SODA-D数据集上提高了1.7%。
引用
@article{arxiv.2407.06127,
title = {Better Sampling, towards Better End-to-end Small Object Detection},
author = {Zile Huang and Chong Zhang and Mingyu Jin and Fangyu Wu and Chengzhi Liu and Xiaobo Jin},
journal= {arXiv preprint arXiv:2407.06127},
year = {2024}
}
备注
14 pages, 5 figures