用于小目标检测的感知生成对抗网络
计算机视觉与模式识别
2017-06-21 v2
摘要
由于分辨率低且表示含噪，小目标检测是一项公认的挑战。现有的目标检测流程通常通过在多尺度下学习所有目标的表示来检测小目标。然而，此类临时架构的性能提升通常有限，难以弥补其计算成本。在本工作中，我们通过开发一种单一架构来解决小目标检测问题，该架构在内部将小目标的表示提升为“超分辨”表示，使其获得与大目标相似的特征，从而更利于检测判别。为此，我们提出了一种新的感知生成对抗网络（Perceptual GAN）模型，通过缩小小目标与大目标之间的表示差异来改进小目标检测。具体而言，其生成器学习将小目标的感知不良表示转换为超分辨表示，使其足够类似于真实大目标以欺骗竞争性的判别器。同时，其判别器与生成器竞争以识别生成的表示，并对生成器施加额外的感知要求——小目标的生成表示必须有益于检测目的。在具有挑战性的 Tsinghua-Tencent 100K 和 Caltech 基准上的广泛评估充分证明了 Perceptual GAN 在检测小目标（包括交通标志和行人）方面优于成熟的 SOTA 方法。
引用
@article{arxiv.1706.05274,
title = {Perceptual Generative Adversarial Networks for Small Object Detection},
author = {Jianan Li and Xiaodan Liang and Yunchao Wei and Tingfa Xu and Jiashi Feng and Shuicheng Yan},
journal= {arXiv preprint arXiv:1706.05274},
year = {2017}
}