HRDNet：面向小目标的高分辨率检测网络
计算机视觉与模式识别
2020-06-16 v1
摘要
小目标检测具有挑战性，因为小目标不包含详细信息，甚至可能在深层网络中消失。通常，将高分辨率图像输入网络可以缓解此问题。然而，简单地放大分辨率会带来更多问题，例如加剧目标尺度的巨大差异并引入难以承受的计算成本。为了在保留高分辨率图像优势的同时不引发新问题，我们提出了高分辨率检测网络（HRDNet）。HRDNet 利用多深度主干网络接收多分辨率输入。为充分利用多种特征，我们在 HRDNet 中提出了多深度图像金字塔网络（MD-IPN）和多尺度特征金字塔网络（MS-FPN）。MD-IPN 利用多深度主干网络维护多种位置信息。具体而言，高分辨率输入将被送入浅层网络以保留更多位置信息并降低计算成本，而低分辨率输入将被送入深层网络以提取更多语义信息。通过从高到低分辨率提取各种特征，MD-IPN 能够提升小目标检测的性能，同时保持中、大目标的检测性能。MS-FPN 被提出用于对齐和融合由 MD-IPN 生成的多尺度特征组，以减少这些多尺度、多层次特征之间的信息不平衡。我们在标准基准数据集 MS COCO2017、Pascal VOC2007/2012 以及典型的小目标数据集 VisDrone 2019 上进行了大量实验和消融研究。值得注意的是，我们提出的 HRDNet 在这些数据集上达到了最先进的性能，并且在小目标上表现更佳。
引用
@article{arxiv.2006.07607,
title = {HRDNet: High-resolution Detection Network for Small Objects},
author = {Ziming Liu and Guangyu Gao and Lin Sun and Zhiyuan Fang},
journal= {arXiv preprint arXiv:2006.07607},
year = {2020}
}