CEM-FBGTinyDet：基于上下文增强与前景平衡的小目标检测方法
计算机视觉与模式识别
2025-06-12 v1
摘要
小目标检测（TOD）揭示了特征金字塔网络的一个根本性缺陷：在标准标签分配协议下，高层特征（P5-P6）经常接收不到正样本锚框，导致其语义表征因未被损失计算而未得到训练。这造成双重缺陷：（1）被困的高层特征在没有梯度更新的情况下成为语义死胞同；（2）低层特征缺乏足够的语义上下文以进行稳健的分类。我们提出了 E-FPN-BS 架构，系统性地将浪费的高层语义转化为低层特征增强。为解决上述问题，我们提出了 E-FPN-BS—a一种集成多尺度特征增强和自适应优化的新型架构。首先，我们的上下文增强模块（CEM）采用双分支处理，对高层特征进行对齐和压缩，以实现有效的全局-局部融合。其次，前景-背景分离模块（FBSM）生成空间门控掩码，动态放大判别性区域。为解决跨目标尺度的梯度不平衡问题，我们进一步提出了动态梯度平衡损失（DCLoss），通过尺度感知的梯度均衡自动调节损失贡献。广泛的实验表明，我们的方法在多个基准数据集上展现了卓越的性能和广泛的泛化能力。
引用
@article{arxiv.2506.09897,
title = {CEM-FBGTinyDet: Context-Enhanced Foreground Balance with Gradient Tuning for tiny Objects},
author = {Tao Liu and Zhenchao Cui},
journal= {arXiv preprint arXiv:2506.09897},
year = {2025}
}