目标检测作为一项发展了20年的技术,技术层面已经非常成熟,涌现了一大批如Faster R-CNN、RetinaNet、YOLO等可以在工业界实用的目标检测方法,但小目标检测性能差的问题至今也没有被完全解决。因为Swin Transformer的提出,COCO test-dev上的AP已经刷到61 ,但小目标检测性能(即APS)和大目标检测性能(即APL)仍然差距悬殊,...
1.1 小目标定义 1)以物体检测领域的通用数据集COCO物体定义为例,小目标是指小于32×32个像素点(中物体是指32*32-96*96,大物体是指大于96*96); 2)在实际应用场景中,通常更倾向于使用相对于原图的比例来定义:物体标注框的长宽乘积,除以整个图像的长宽乘积,再开根号,如果结果小于3%,就称之为小目标; 1.2 难点...
如前面的数据增强部分所述,将一个小目标复制到图片中的多个位置,可以增加小目标匹配的anchor数量,增加小目标的训练权重,减少网络对大目标的偏置。同样,在逆向思维中,如果数据集已经确定,我们也可以增加负责小目标的anchor的设置策略,使训练过程中对小目标的学习更加充分...
作者使用排斥损失进行小目标检测,它惩罚预测框转移到其他真实目标,并要求每个预测框远离具有不同指定目标的其他预测框,以使检测结果对 NMS 不太敏感。后者导致特征消失导致定位不准确,设计了注意力模块 SEAM 来增强人脸特征的学习。 Yolov8红外弱小目标检测(5):SEAM注意力机制,提升遮挡小目标检测性能_AI小怪兽的博客-C...
小目标检测全新突破,提出Mamba-in-Mamba结构,通过内外两层Mamba模块,同时提取全局和局部特征,实现了检测速度快10倍,GPU使用减少73.4%的显著效果! 【小目标检测】是近年来在深度学习领域中备受关注的一项技术,它通过提高模型在检测图像或视频中小尺寸目标的能力,显著提升了检测精度和鲁棒性。小目标检测技术已经在遥感图像...
为了解决小目标检测问题,作者提出了一个在微调和推理阶段基于切片的通用框架。将输入图像划分为重叠的切片,对于小目标相对于输入网络的图像产生相对较大的像素区域。 3.1 Slicing Aided Fine-tuning(SF) 图2 Slicing Aided Fine-tuning(SF) 广泛使用的目标检测框架,如Detectron2、MMDetection和YOLOv5,在ImageNet和MSCOC...
在本文中，作者比较了基于transformer的检测器与基于卷积神经网络（CNNs）的检测器在其小目标检测方面的性能。在性能明显优于cnn的情况下，论文然后试图揭示transformer的强大性能背后的原因。一个直接的解释可能是，transformer建模了输入图像中成对位置之间的相互作用。这是一种有效的编码上下文的方式。而且，在人类和计算...
另外,对小目标的Anchor使用比较宽松的匹配策略(比如IoU > 0.4)也是一个比较常用的手段。 先生成放大特征再检测的GAN Perceptual GAN使用了GAN对小目标生成一个和大目标很相似的Super-resolved Feature(如下图所示),然后把这个Super-resolved Feature叠加在原来的小目标的特征图(如下下图所示)上,以此增强对小目标特征表...
一、小目标检测 1、小目标的定义 2、小目标检测的难点 二、Slicing Aided Fine-tuning(SF) 切片辅助微调: 三、Slicing Aided Hyper Inference (SAHI) 切片辅助推理 总结 前言 最近开始接触小目标检测的算法,直观想到的算法就是将可能存在小目标的图像区域进行合理的放大然后进行检测。偶然间发现与上述想法类似,原理...
目标检测现在太卷了。这个领域里想更容易出论文,要重点关注小目标检测。 小目标检测能用于遥感、交通、军事、自动驾驶等,应用方向广!同时还面临分辨率低、尺度跨度大、类别不平衡等挑战,可挖掘创新点多,容易出idea发paper! 今天分享我整理的小目标检测20篇经典研究+30篇最新创新思路!涵盖领域内多个影响力很大的研究,...