Jan, 2024

高噪声环境下航空图像中的稳健微小目标检测

PDF
TL;DR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。
tiny object detectionnoisy label supervisionclass shiftsbounding box noisedenoising tiny object detector
发现论文，激发创造
  • 基于动态损失衰减的遥感图像噪声标签下鲁棒的定向物体检测

    本文介绍了一种通过动态损失衰减机制 (DLD) 的鲁棒取向遥感目标检测方法，该方法能够抵抗噪声并提高检测准确性。

    May, 2024

  • 可见与清晰：在差异地图中发现微小物体

    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

  • 使用 Transformer R-CNN 的去噪 FPN 实现微小目标检测

    提出了一种新的框架，DeNoising FPN with Trans R-CNN (DNTR)，用于改进微小目标检测的性能，通过引入 DN-FPN 模块和基于 Transformer 的 Trans R-CNN 检测器，结合对比学习和自注意力机制，实现了在 AI-TOD 数据集和 VisDrone 数据集上至少 17.4％和 9.6％AP 值的性能提升。

    Jun, 2024

  • 目标检测中的嘈杂标注精炼

    本研究提出了一种新的方法来在包含类标注和边界框注释的噪声数据集上训练目标检测器，能高效地分离这些噪音并进行纠正，使训练得到的检测器能够显著优于基准检测器。

    Oct, 2021

  • 面向具有噪声标注的抗噪声目标检测

    本文提出了一种训练目标检测器的框架，该框架可以处理含有混合标签噪声和边界框噪声的嘈杂标注数据，并通过交替噪声校正和模型训练来共同优化目标标签、边界框坐标和模型参数，其方法通过执行两个步骤来分离标签噪声和边界框噪声，并在 PASCAL VOC 和 MS-COCO 数据集上获得了良好的实验效果。

    Mar, 2020

  • 面向嘈杂标注下的鲁棒自适应目标检测

    本研究提出一种面向带有噪声注释的领域自适应目标检测（DAOD）的框架，包括潜在实例挖掘、可变形图关系模块和熵感知梯度协调等关键技术，将语义信息纳入学习过程，取得了不错的实验成果。

    Apr, 2022

  • NOTE-RCNN：用于半监督目标检测的噪声容忍集成 RCNN

    提出使用少量盒级注释和大量图像级注释对现代目标检测器进行半监督训练的新公式，并提出一种新的 NOise Tolerant Ensemble RCNN（NOTE-RCNN）目标检测器来处理标注噪声问题，该检测器能够在 ILVRC 2013 和 MSCOCO 2017 数据集上取得表现最好的效果。

    Dec, 2018

  • 使用带噪声数据训练目标检测器

    本文探讨了不同类型 label noise 对目标检测模型性能的影响，并演示了如何改进 co-teaching 方法以减少自动标注数据集上产生的 label noise 带来的影响。演示了基于 KITTI 数据集和自动标注数据集上的车辆检测任务的模拟噪声效果。

    May, 2019

  • Tiny-DSOD: 资源受限情况下的轻量级物体检测

    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

  • 通过实例级别特征去噪和旋转损失平滑检测小型、混杂和旋转的目标的 SCRDet ++

    本文介绍了一个名为 SCRDet++ 的目标检测算法，使用特征图的实例级去噪和增强旋转、交叉、边界的检测效果，并通过实验验证了其在多个数据集上的有效性。同时，本文还发布了一个新的交通信号灯数据集 S2TLD，包含 5,786 张图像和 14,130 个信号灯实例。

    Apr, 2020