文章目录
- Abstract
- Introduction
-
- Contributions
- Related Works
-
- 锚点细化和区域候选
- 小目标检测的特征模拟
- 目标检测的对比学习
- Method
-
- Towards Better Proposals
-
- Limitations of Cascade RPN
- Course-to-fine RPN（CRPN）
- Loss Function
- 小目标检测的特征模拟
-
- 范例特征
- Feat2Embed Module
- Loss Function
- Training
- Summarize
- Experiments
hh
源代码
Abstract
对于大小有限的实例，先验和目标区域之间的低重叠会导致优化的样本池受限，而判别信息的缺乏又进一步加剧了识别的难度。（低重叠导致正样本不足且判别信息匮乏）。
为了缓解上述问题，作者提出了CFINet，一种基于Coarse-to-fine pipeline和特征模仿学习的两阶段小目标检测框架。
首先呢，作者引入Coarse-to-fine RPN (CRPN)，通过动态锚点选择策略和级联回归来保证小目标有足够的高质量候选框。
接着，在常规检测头结构中添加了一个特征模仿（Feature Imitation, FI）分支，该分支旨在以模仿的方式帮助模型更好地表征那些尺寸受限、容易困扰模型的目标实例。
此外，作者还设计了一种遵循监督对比学习范式的辅助模仿损失函数，用于优化这个FI分支，进一步提升模型对尺寸较小物体的识别能力和表示效果
Introduction
小目标检测(SOD)的目的是对区域有限的实例进行分类和定位。
小目标检测的两个固有挑战：训练样本不足和质量低，以及RoI区域预测的不确定性。
首先
