SALISA：基于显著性的输入采样用于高效视频目标检测

高分辨率图像被广泛采用以实现视频中高性能的目标检测。然而，处理高分辨率输入会带来高昂的计算成本，而朴素地下采样输入以降低计算成本会迅速降低检测性能。本文提出 SALISA，一种新颖的基于非均匀显著性（SALiency-based）的输入采样（Input SAmpling）技术，用于视频目标检测，该技术可对不重要的背景区域进行重度下采样，同时保留高分辨率图像的细粒度细节。所得图像空间尺寸更小，从而降低计算成本，同时实现与高分辨率输入相媲美的性能。为此，我们提出一种基于薄板样条空间变换网络（TPS-STN）的可微重采样模块。该模块由一种新颖的损失正则化，以提供显式监督信号来学习“放大”显著区域。我们在 ImageNet-VID 和 UA-DETRAC 视频目标检测数据集的低计算量场景下报告了最先进（state-of-the-art）的结果。我们证明，在这两个数据集上，EfficientDet-D1（EfficientDet-D2）的 mAP 以低得多的计算成本达到了与 EfficientDet-D2（EfficientDet-D3）相当的水平。我们还表明 SALISA 显著改善了小目标的检测。特别地，采用 EfficientDet-D1 检测器的 SALISA 将小目标检测提升了 $77\%$，并且显著优于 EfficientDet-D3 基线。