MDSSD：面向小目标检测的多尺度反卷积单发检测器
计算机视觉与模式识别
2020-02-27 v3
摘要
对于大多数基于多尺度特征图的目标检测器，浅层富含精细空间信息，因此主要负责小目标检测。然而，由于浅层特征图语义信息的缺失，小目标检测的性能仍不尽如人意。本文中，我们设计了一种多尺度反卷积单发检测器 (MDSSD)，专用于小目标检测。在 MDSSD 中，多个不同尺度的高层特征图被同时上采样以提高空间分辨率。随后，我们通过融合块 (Fusion Block) 与低层特征图实现跳跃连接。所得到的融合特征图称为融合模块 (Fusion Module)，具有对小实例的强特征表示能力。值得注意的是，融合块中利用的这些高层特征图既保留了强语义信息，又保留了小实例的一些精细细节，而非最顶层——其中小目标的精细细节表示可能被抹除。所提框架在具有挑战性的数据集 TT100K 上以 512 x 512 输入取得 77.6% 的小目标检测 mAP，大幅优于其他检测器。此外，它在 PASCAL VOC2007 test 和 MS COCO test-dev2015 上的通用目标检测也能取得最先进结果，尤其在小目标类别上实现了 2 到 5 个点的提升。
引用
@article{arxiv.1805.07009,
title = {MDSSD: Multi-scale Deconvolutional Single Shot Detector for Small Objects},
author = {Lisha Cui and Rui Ma and Pei Lv and Xiaoheng Jiang and Zhimin Gao and Bing Zhou and Mingliang Xu},
journal= {arXiv preprint arXiv:1805.07009},
year = {2020}
}