MAFE R-CNN：用于小目标检测的多线索分配与特征增强
计算机视觉与模式识别
2025-05-23 v1
摘要
小目标检测始终是目标检测领域的主要挑战之一。 本文指出，这一困难源于检测器无法有效学习小尺寸物体的判别特征，此外在训练期间选择高质量小目标样本的复杂性也成为挑战，这促使我们提出了多线索分配与特征增强 R-CNN (MAFE R-CNN)。 具体而言，MAFE R-CNN 集成了两个关键组件。 第一个是多线索样本选择 (MCSS) 策略，其中利用交并比 (IoU) 距离、预测类别置信度和 ground truth 区域大小作为有关线索进行样本选择。 该方法促进了对多样化正样本的选择，并确保在训练期间对象尺寸的平衡分布，从而促进有效的模型学习。 第二个是类别感知特征增强机制 (CFEM)，我们提出一种简单而有效的类别感知记忆模块来探索对象特征之间的关系。 随后，我们通过促进类别感知特征与候选框特征之间的相互作用来增强对象特征表示。 在大规模小目标数据集 SODA 上进行的全面实验验证了所提出方法的有效性。 代码将公开提供。
引用
@article{arxiv.2505.16442,
title = {MAFE R-CNN: Selecting More Samples to Learn Category-aware Features for Small Object Detection},
author = {Yichen Li and Qiankun Liu and Zhenchao Jin and Jiuzhe Wei and Jing Nie and Ying Fu},
journal= {arXiv preprint arXiv:2505.16442},
year = {2025}
}