QueryDet：级联稀疏查询加速高分辨率小目标检测
计算机视觉与模式识别
2022-03-25 v2
摘要
尽管基于深度学习的通用目标检测在过去几年取得了巨大成功，但小目标检测的性能与效率仍远不能令人满意。促进小目标检测最常见且有效的方法是使用高分辨率图像或特征图。然而，这两种方法都会带来高昂的计算代价，因为计算成本随图像和特征尺寸的平方增长。为了兼得二者之长，我们提出 QueryDet，其使用一种新颖的查询机制来加速基于特征金字塔的目标检测器的推理速度。该流程包含两步：首先在低分辨率特征上预测小目标的粗略位置，然后由这些粗略位置稀疏引导，使用高分辨率特征计算精确检测结果。如此，我们不仅能利用高分辨率特征图的优势，还能避免对背景区域的无用计算。在流行的 COCO 数据集上，所提方法将检测 mAP 提升 1.0、mAP-small 提升 2.0，高分辨率推理速度平均提升至 3.0 倍。在包含更多小目标的 VisDrone 数据集上，我们创造了新的最优性能（state-of-the-art），同时平均获得 2.3 倍的高分辨率加速。代码见 https://github.com/ChenhongyiYang/QueryDet-PyTorch。
引用
@article{arxiv.2103.09136,
title = {QueryDet: Cascaded Sparse Query for Accelerating High-Resolution Small Object Detection},
author = {Chenhongyi Yang and Zehao Huang and Naiyan Wang},
journal= {arXiv preprint arXiv:2103.09136},
year = {2022}
}
备注
CVPR 2022