文章目录
- Abstract
- Introduction
-
- Contribution
- Related Work
-
- 定向目标检测
- 微小目标检测
-
- 多尺度学习
- 标签分配
- 上下文信息
- 特征增强
- Method
-
- Overview
- 动态先验
- Coarse Prior Matching
- Finer Dynamic Posterior Matching
- Ablation Study
- Analysis
-
- 不平衡问题的调解
- 可视化
- 速度
- Conclusion
hh
源代码
Abstract
检测任意方向的微小目标给现有的检测器带来了巨大的挑战，特别是在标签分配方面。定向微小目标的极端几何形状和有限特征仍然会导致严重的不匹配和不平衡问题。具体而言，位置先验、正样本特征和实例不匹配，并且由于缺乏适当的特征监督，极端形状目标的学习存在偏差和不平衡，即特征先验不匹配和正样本不平衡是阻碍定向微小目标标签分配的两个障碍。（此前作者提出的RFLA一定程度上解决了问题，但静态分配不能根据样本的形状自适应划分正负样本，不能过滤掉低质量样本。）
为了解决这些问题，作者提出了一个动态先验和由粗到精的分配器，称为DCFL。
一方面，以动态方式对先验、标签分配和目标表征进行建模，以减轻不匹配问题。另一方面，利用粗糙的先验匹配和更精细
![Sqli-labs靶场第16关详解[Sqli-labs-less-16]自动化注入-SQLmap工具注入](https://img-blog.csdnimg.cn/direct/20749ba7b3164afc86bf6a7f549c095a.png)
