SRSOD - yubo105139/paper GitHub Wiki

TOC

brief:

​ 2019年 ICCV 基于超分的小目标检测，小目标检测上的指标比上一个SOTA（Small Object Detection Using Deep Feature Pyramid Net-works）F1 score高 0.3%

structure:

innovations：

​ 本文提出了，用高低分图特征层之间的L2 loss 做监督信息，提升小目标的特征的超分效果，同一个目标，在高低分特征层上根据感受野截取同尺寸的特征区域，虽然可以计算L2 loss，但是低分图相对感受野是高分图的2倍，因此直接对高低分特征区域算loss, 是没对齐的。解决办法，当然是扩大高分图的相对感受野为原来2倍，使得高低分特征 的相对感受野趋于一致，具体实现方法：引入空洞卷积，扩大原图特征感受野。

L2 loss如下所示：

相对感受野分析如下：

空洞卷积如下：

GAN loss

result and performance：

基于Faster-RCNN，对比有无本文创新点部分，提升明显，F1 接近9个点，如果和SOTA比，提升0.3个点。

Faster-RCNN

目标大小分类：

benchmark datasets :

​ Tsinghua-Tencent 100K , PAS-CAL VOC , MS COCO