本文深入探讨了目标检测中的尺度不平衡问题，分析了为何小目标检测困难，提出多尺度训练和特定尺寸分类器的影响。实验表明，高分辨率训练与微调对于小目标检测效果更优，但分辨率提升有限。优化方法包括尺度归一化的图像金字塔训练，旨在减少尺寸域偏移并保留数据多样性。
论文原文：https://arxiv.org/abs/1711.08189
对改论文理解较好的博客：
不错的总体理解：https://zhuanlan.zhihu.com/p/36431183
文章详细翻译和理解：https://blog.csdn.net/neil3611244/article/details/81557599?utm_medium=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase&depth_1-utm_source=distribute.pc_relevant_t0.none-task-blog-BlogCommendFromMachineLearnPai2-1.nonecase
一、Intriduction
图像分类误差已经可以低于人类误差，但目标检测识别效果却还不理想，为什么目标检测识别任务这么难？
一个很重要的原因是目标尺寸大小分布的不均衡性，尤其是小目标的检测识别。两个数据集中目标大小分布如下图所示
最低0.47元/天 解锁文章
扫一扫
478
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
