用于小目标检测的不确定性感知梯度稳定化方法
计算机视觉与模式识别
2025-07-11 v2
摘要
尽管通用目标检测取得了进展，但在检测小目标方面与正常尺度目标相比仍存在性能差距。我们揭示出，由于损失曲率更尖锐，传统目标定位方法在小目标上遭受梯度不稳定性，导致收敛困难。为解决该问题，我们提出不确定性感知梯度稳定化（UGS），这是一种将目标定位重新表述为分类任务以稳定梯度的框架。UGS 将连续标签量化为区间非均匀离散表示。在基于分类的目标下，定位分支生成有界且由置信度驱动的梯度，从而缓解不稳定性。此外，UGS 集成了一种降低预测方差的不确定性最小化（UM）损失，以及一个通过扰动识别并细化高不确定性区域的不确定性引导细化（UR）模块。在四个基准上评估，UGS 持续提升了基于锚、无锚以及领先的小目标检测器。特别地，UGS 在 VisDrone 上使 DINO-5scale 提升 2.6 AP，超越了先前的最先进结果。
引用
@article{arxiv.2303.01803,
title = {Uncertainty-Aware Gradient Stabilization for Small Object Detection},
author = {Huixin Sun and Yanjing Li and Linlin Yang and Xianbin Cao and Baochang Zhang},
journal= {arXiv preprint arXiv:2303.01803},
year = {2025}
}