PETDet：面向两阶段细粒度目标检测的候选框增强
计算机视觉与模式识别
2023-12-19 v1
摘要
细粒度目标检测（FGOD）在目标检测的基础上扩展了细粒度识别能力。在近期的两阶段 FGOD 方法中，区域候选框是连接检测与细粒度识别的关键环节。然而，现有方法忽略了从通用检测继承的一些候选框相关流程并不同等适用于 FGOD，从而限制了从生成、表示到利用的多任务学习。本文提出 PETDet（面向两阶段细粒度目标检测的候选框增强），以更好地处理两阶段 FGOD 方法中的子任务。首先，提出一种无锚框的质量导向候选框网络（QOPN），结合动态标签分配与基于注意力的分解来生成高质量的导向候选框。此外，提出双线性通道融合网络（BCFN）以提取候选框的独立且具判别性的特征。进一步地，设计了一种新颖的自适应识别损失（ARL），为 R-CNN 头提供指导以聚焦于高质量候选框。大量实验验证了 PETDet 的有效性。定量分析表明，配备 ResNet50 的 PETDet 在多个 FGOD 数据集上达到了 SOTA 性能，包括 FAIR1M-v1.0（42.96 AP）、FAIR1M-v2.0（48.81 AP）、MAR20（85.91 AP）和 ShipRSImageNet（74.90 AP）。该方法在精度与推理速度之间也实现了出色的兼容性。代码与模型将发布于 https://github.com/coe-Z/PETDet。
引用
@article{arxiv.2312.10515,
title = {PETDet: Proposal Enhancement for Two-Stage Fine-Grained Object Detection},
author = {Wentao Li and Danpei Zhao and Bo Yuan and Yue Gao and Zhenwei Shi},
journal= {arXiv preprint arXiv:2312.10515},
year = {2023}
}
备注
IEEE TGRS 2023