远程感知图像中微小目标的精确检测仍然是一个重要的挑战,因为这些目标的视觉信息有限且在场景中经常出现。本研究针对噪声标签监督下的微小目标检测问题进行了系统研究,并提出了一种去噪微小目标检测器(DN-TOD),其中包括了类别感知标签校验和趋势引导学习策略来应对类别偏移和边界框噪声问题。DN-TOD 在各种类型的标签噪声下表现出了鲁棒性,显著改进了基准模型 RFLA 在 40% 混合噪声下的性能。
Jan, 2024
本研究提出了一个名为 TinyPerson 的新基准,针对大规模图像中的微小对象(例如少于 20 像素的微小人物),引入了远距离和大背景下微小目标检测的有前途的方向,并且通过采用简单而有效的比例匹配方法,在避免特征表示和检测器退化的同时获得了显著的性能提升,并且进一步展示了 TinyPerson 与真实世界场景相关的挑战。
Dec, 2019
提出了一种自重建微小目标检测(SR-TOD)框架,通过引入自重建机制和差异图引导特征增强模块,改进了微小目标的检测性能,并在新的多实例抗无人机数据集(DroneSwarms dataset)上进行了有效性验证。
May, 2024
本文构建了第一个大规模的多类别可见 - 热红外小目标检测(RGBT SOD)基准数据集(RGBT-Tiny),包括 115 对序列,93K 帧和 1.2M 标注,同时提出了一种适应尺度的健康度量标准(SAFit),并进行了广泛的评估。
Jun, 2024
本研究提出一种名为 Tiny-DSOD 的基于深度学习的目标检测框架,在保证资源受限的情况下提高检测精度。实验结果表明,Tiny-DSOD 在参数大小、FLOPs 和准确度等三个度量上均优于目前先进的解决方案,具有广泛的应用前景。
Jul, 2018
该论文提出了一个名为 SOD4SB 的新的 SOD 数据集,包含 39,070 张图像和 137,121 个鸟实例,旨在解决远距离小物体检测中的噪声、模糊和信息不足等挑战,并介绍了此挑战的细节、获奖方法、数据集、基准代码和公开测试集评估网站。
Jul, 2023
通过分析参与者提交的方法和解决方案,我们旨在激励巨大词汇和开放词汇目标检测领域的未来研究方向,推动该领域的进展。
本文提出一种 Task-aligned One-stage Object Detection(TOOD)方法,通过设计一种 Task-aligned Head(T-Head)和 Task Alignment Learning(TAL),在学习过程中显示地对齐对象分类和定位这两个任务,实验结果表明,TOOD 方法比最近的一阶段检测器在准确率方面都要优秀。
Aug, 2021
调查了 60 多个研究论文,涵盖了 2020 年至 2023 年开发的转换器在小目标检测任务上的性能,还提供了一个 12 个大规模数据集的列表以及使用常见指标(如 mAP,FPS,参数数量等)进行了性能比较。
Sep, 2023
TinyDet 是一个计算量极低的轻量级检测框架,采用高分辨率特征图、稀疏连接卷积、强化骨干网络等策略,解决小目标检测困难的问题,并在 COCO 基准测试中实现 30.3 AP 和 13.5 AP^s 的优异性能。
Apr, 2023