小目标检测的高质量管线：净化、标注与利用
计算机视觉与模式识别
2025-04-30 v1
摘要
小目标检测是广泛关注的研究任务，常被视为“管线式”工程过程。在上游，图像作为原始材料进入检测管线，预训练模型用于生成初始特征图。在中游，分配器选择训练的正负样本。随后，这些样本和特征被输入下游进行分类与回归。以往的小目标检测方法往往聚焦于改进管线的单个环节，忽视整体优化，从而限制了整体性能提升。为此，我们优化了管线中的三个关键环节——净化、标注与利用，提出了高质量小目标检测框架PLUSNet。具体而言，PLUSNet包含三个顺序组件：用于净化上游特征的层次特征净化器(Hierarchical Feature Purifier, HFP)，用于提高中期训练样本质量的多准则标签分配器(Multiple Criteria Label Assignment, MCLA)，以及更有效利用信息完成下游任务的频率解耦头部(Frequency Decoupled Head, FDHead)。所提出的PLUS模块可轻松集成到各种目标检测器中，从而提升其在多尺度场景中的检测能力。广泛实验表明，所提出的PLUSNet在多个小目标检测数据集上均实现了显著且持续的改进。
引用
@article{arxiv.2504.20602,
title = {Purifying, Labeling, and Utilizing: A High-Quality Pipeline for Small Object Detection},
author = {Siwei Wang and Zhiwei Chen and Liujuan Cao and Rongrong Ji},
journal= {arXiv preprint arXiv:2504.20602},
year = {2025}
}