RFLA：基于高斯感受野的标签分配方法用于微小目标检测
计算机视觉与模式识别
2022-10-18 v2
摘要
检测微小目标是阻碍目标检测发展的主要障碍之一。通用目标检测器的性能在微小目标检测任务上往往急剧恶化。在本文中，我们指出基于锚框的检测器中的框先验或anchor-free检测器中的点先验对于微小目标都是次优的。我们的关键观察是，当前的基于锚框或anchor-free的标签分配范式会产生许多离群微小尺寸的真实标注样本，导致检测器对微小目标的关注较少。为此，我们提出了一种用于微小目标检测的基于高斯感受野的标签分配（RFLA）策略。具体而言，RFLA首先利用特征感受野遵循高斯分布的先验信息。然后，不同于使用IoU或中心采样策略分配样本，我们提出了一种新的感受野距离（RFD）来直接度量高斯感受野与真实标注之间的相似性。考虑到基于IoU阈值和中心采样策略偏向于大目标，我们进一步设计了基于RFD的分层标签分配（HLA）模块以实现微小目标的均衡学习。在四个数据集上的大量实验证明了所提方法的有效性。特别地，我们的方法在AI-TOD数据集上以4.0 AP点优于最先进的竞争对手。代码可在https://github.com/Chasel-Tsui/mmdet-rfla获取。
引用
@article{arxiv.2208.08738,
title = {RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection},
author = {Chang Xu and Jinwang Wang and Wen Yang and Huai Yu and Lei Yu and Gui-Song Xia},
journal= {arXiv preprint arXiv:2208.08738},
year = {2022}
}
备注
ECCV2022