Jul, 2024

基于相似度距离的微小目标检测标签分配

PDF
TL;DR提出了一种简单而有效的策略，名为相似距离（SimD），用于评估边界框之间的相似性，不仅考虑位置和形状相似性，还自适应学习超参数，确保适应不同数据集和各种物体尺寸。在四个主流小目标检测数据集上进行了广泛实验，证明了我们方法的卓越性能，特别是在 AI-TOD 上，比当前最先进的竞争者提高了 1.8 个 AP 点和 4.1 个 AP 点。
tiny object detectionlabel assignmentsimilarity distancebounding boxeshyperparameters
发现论文，激发创造
  • 一种面向微小目标检测的归一化高斯瓦瑟斯坦距离

    本文提出了一种基于 Wasserstein 距离的检测器优化方法，用于检测微小目标，该方法通过将边界框建模为 2D 高斯分布并计算它们之间的相似度，取代了常用的 IoU 度量标准，能够在新的 AI-TOD 数据集上取得比现有方法高 6.0 AP 点的性能

    Oct, 2021

  • 用于目标检测的 IoU 预测的概率锚点分配

    本文提出了一种新的锚点分配策略，通过模型的学习状态自适应地将锚点分成正样本和负样本，实现概率推理，并验证其有效性。该方法只在 RetinaNet 基线中添加了一个卷积层，并且不需要每个位置多个锚点，因此非常高效。

    Jul, 2020

  • 在航拍影像中检测微小物体：一种归一化 Wasserstein 距离与新基准

    提出了一种新的针对小目标检测的评价指标及排序策略，能够显著提升标签赋值和模型训练，并在 AI-TOD-v2 数据集上达到了比现有方法约 4.3 个 AP 值的改善。

    Jun, 2022

  • 基于差异系数的弱监督目标检测

    本文研究弱监督对象检测的问题，在模型中使用基于分歧系数的概率学习目标，通过深度学习框架提供注释一致的样本来解决条件分布复杂性的挑战，并在 PASCAL VOC 2007 和 2012 数据集上进行了广泛实验。

    Nov, 2018

  • 伪交并比：改进基于锚点无监督目标检测中标签分配

    本研究提出了 Pseudo-Intersection-over-Union (Pseudo-IoU) 指标，通过将其融入端到端单级别无锚点物体检测框架，可以实现更加标准化和准确的规则分配，从而提高 PASCAL VOC 和 MSCOCO 等常规物体检测基准测试的性能。

    Apr, 2021

  • 微小人物检测的比例匹配

    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

  • 3DIoUMatch: 利用 IoU 预测实现半监督 3D 物体检测

    本研究提出了一种基于半监督学习的 3D 目标检测方法，通过教师 - 学生的互相学习机制传播信息，结合置信度过滤和 3D IoU 定位度量，实现了在室内外场景下进行更有效、精确的目标检测，提升了现有方法的表现。

    Dec, 2020

  • DCDet: 动态基于交叉的 3D 目标检测器

    近年来，3D 物体检测的研究取得了显著进展。然而，大多数现有研究聚焦于基于中心或基于锚点的标签赋值方案的利用。在 3D 物体检测中，尚未探索其他的标签赋值策略。我们发现，基于中心的标签赋值方法通常在训练时生成不足的正样本，而基于锚点的标签赋值方法在处理不同尺度的物体时往往遇到不平衡问题。为了解决这些问题，我们引入了一种动态交叉标签赋值（DCLA）方案，该方案为每个物体动态地从交叉区域中分配正样本，从而为训练提供足够且平衡的正样本。此外，为了应对准确回归具有不同尺度的物体的挑战，我们提出了一种基于旋转加权交并比（RWIoU）的回归损失指标，以替代广泛使用的 L1 损失指标。大量实验证明了我们的 DCLA 和基于 RWIoU 的回归损失的普适性和有效性。代码可在此网址上获取：https:// 链接地址

    Jan, 2024

  • 度量对齐样本选择和关键特征抽取在方向目标检测中的应用

    本文提出了一种解决精细定向目标检测问题的方法，在形状和旋转特征下动态地选择样本，并使用关键特征提取模块和自适应的平滑 L1 损失函数来提高分类和定位的一致性，并在四个旋转目标检测数据集上展示了目标检测器的最先进性能。

    Jun, 2023

  • 高噪声环境下航空图像中的稳健微小目标检测

    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