基于FPN的探测器在一般目标检测方面取得了显著的进展，如MS COCO和PASCAL VOC。然而，这些检测器在某些应用场景下会失败，例如，微小物体检测。
本文认为，FPN中相邻层之间的自顶向下连接为微小目标检测带来了双面影响，而不仅仅是正面影响。我们提出了一个新的概念，fusion factor，以控制信息从深层传递给浅层，以适应FPN的微小目标检测。通过一系列的实验和分析，我们探讨了如何通过统计的方法来确定某一特定数据集融合因子的有效值。该估计依赖于分布在每一层的对象数量。在微小物体检测数据集，如TinyPerson和tiny CityPersons上进行了全面的实验。我们的结果表明，当使用合适的fusion factor配置FPN时，网络能够在微小目标检测数据集上取得显著的性能收益。代码和模型将会发布。
论文信息
- 论文题目：Effective Fusion Factor in FPN for Tiny Object Detection
- WACV 2021
- 论文地址：arxiv.org/pdf/2011.0229
- 代码地址：github.com/ucas-vg/Effe
研究背景
小目标检测问题是当前计算机视觉领域中一个重要方向。现有的基于FPN结构的特征融合检测器，通过自顶向下和横向连接的结构将不同尺度的特征进行融合，并在现有的通用目标检测数据集上取得了不错的效果。然而这些目标检测器在小目标检测数据集上如TinyPerson和Tiny CityPersons（四倍下采样CityPersons）上的效果并不理想。
针对这种情况提出了两个问题：
1.
Original: https://blog.csdn.net/shenlanshenyanai/article/details/123237475
Author: 深兰深延AI
Title: WACV 2021| FPN中用于微小目标检测的有效融合因子
原创文章受到原创版权保护。转载请注明出处：https://www.johngo689.com/686612/
转载文章受原作者版权保护。转载请注明原作者出处！