视觉小目标检测论文速读

本文主要针对三篇文章典型文章。

一. SuperYOLO

Super Resolution Assisted Object Detection in Multimodal Remote Sensing Imagery

1. 主要工作:

1. 首先去掉Focus模块取保持HR特征, 避免分辨率下降，有效克服小目标空间损失的减少。
2. 利用像素级多模态融合（RGB+IR）来提取信息，以增强RSI中小对象的更合适和有效的特征。
3. 设计了一个简单灵活的SR(Super Resolution)分支，用于学习HR特征表示，只用在训练阶段。它可以区分来自广阔背景的小目标低分辨率（LR）输入。SR分支在推理阶段被丢弃

2. 算法细节：

1. Backbone：以YOLOv5s 作为baseline
   
2. SR分支结构：Encode-Decoder model， 结合文理信息与语义信息。
   
   
   

二. SLICING AIDED HYPER INFERENCE AND FINE-TUNING FOR SMALL OBJECT DETECTION

参考：https://blog.csdn.net/weixin_54546190/article/details/124307316

1. 主要工作:
提出了一个通用解决方案，基于切片辅助的推理和高分图像中小目标障碍物微调。

2. 算法细节：

1. 切片辅助的微调： 实际是数据增强
   一张原始图片，切M×N patches， resize 宽度为800-1333，+ pretrained model->fine-tuned model
2. 切片辅助的推理
   一张原始图片，切成有重叠的M×N patches（如下图）， resize 放大， 每一张分别forward；
   （可选FI）原始图片的 inference；
   合并起来，再postprocess
   
   
   

三. Anchor Retouching via Model Interaction for Robust Object Detection in Aerial Images

1. 前言
anchor-free： 小目标检测效果好，大目标有问题
anchor-based： 大目标检测效果好，小目标有问题

2. 主要工作:
RoI Trans + DEA
DEA Head： 构造Sample discriminator， 样本筛选。作用是生成更多的小目标的正向样本，提高训练时样本质量，如下图对样本分布做了统计。

3. 算法细节：
DEA HEAD = DEA(anchor-free，Fcos) + Faster-RCNN(anchor-based)

Sampler discriminator 伪代码