72.2018小目标检测文章总结1
需积分: 0 56 浏览量
2022-08-04
00:03:01
上传
评论
收藏 1.65MB PDF 举报
2018
小
目
标
检
测
文
章
总
结
加入极市专业CV交流群，与6000+来自腾讯，华为，百度，北大，清华，中科院等名企名校视觉开发者互动交流！更有机会与李开复老师等大牛
群内互动！
同时提供每月大咖直播分享、真实项目需求对接、干货资讯汇总，行业技术交流。点击文末“阅读原文”立刻申请入群~
作者：wq604887956@CSDN
原文：https://blog.csdn.net/wq604887956/article/details/83053927
介绍
在现有的目标检测的文献中，大多数是针对通用的目标来进行检测，如经典的单阶段方法yolo和ssd，两阶段方法
faster-rcnn等，这些方法主要是针对通用目标数据集来设计的解决方案，因此对于图像中的小目标来说，检测效果不是
很理想。因此就有大神提出针对小目标检测的一些方法，这些方法是建立在现有的目标检测基础之上提出的一些改进或
者优化。
接
下
来
主
要
对
存
在
的
优
秀
的
小
目
标
检
测
算
法
进
行
简
单
介
绍
。
小目标的介绍：有两种定义方式，一种是相对尺寸大小，如目标尺寸的长宽是原图像尺寸的0.1，即可认为是小目标，另
外一种是绝对尺寸的定义，即尺寸小于32*32像素的目标即可认为是小目标。
FPN（featurepyramidnetworks）
论文：feature pyramid networks for object detection
论文链接：https://arxiv.org/abs/1612.03144
这是cvpr2017年出的一篇文章，该文主要是针对通用目标的检测方法，但是在小目标检测中起到了关键作用，以至于之
后的很多小目标检测方法都用到了类似的该方法，如faster-rcnn+fpn，yolo3中的特征融合。
该文的主要思想：在fpn之前目标检测的大多数方法都是和分类一样，使用顶层的特征来进行处理。但是这种方法只是用
到了高层的语义信息，但是位置信息却没有得到，尤其在检测目标的过程中，位置信息是特别重要的，而位置信息又是
主要在网络的低层（换种说法：低层的特征语义信息比较少，但是目标位置准确，高层的特征语义信息比较丰富，但是
目标的位置粗略）。因此在这片文章中采用了多尺度特征融合的方式，采用不同特征层特征融合之后的结果来做预测。
该图非常形象的说明了fpn和其他特征融合方式的区别。(a)图是典型的图像金字塔形象，该方法主要是将图像生成不同
的尺寸，在每一个尺寸上生成对应的特征图，再在对应的特征图上做相应的预测。这种方法所需要占用的内存和时间比
较大，因此没有多少算法使用该方法。在(b)中，在最经典的目标检测方法，只在最后一层的特征图上做预测，常见的
rcnn,faster-rcnn都是这种方法。图(c)中是使用了多层的特征图，每一个特征图来做一个新的预测，典型的是ssd中使
用的方法。(d)中即使使用fpn的方法，它在图(c)的基础上得到每一层的特征图，之后采用自顶向下的方法将小的特征图
上采样之后与下一个特征图融合，融合之后再做预测，依次如此，即可得到多个预测结果。
评论0