小目标检测论文笔记：Learning Calibrated-Guidance for Object Detection in Aerial Images

论文

Learning Calibrated-Guidance for Object Detection in Aerial Images
paper：https://arxiv.org/abs/2103.11399
code：https://github.com/WeiZongqi/CG-Net

本篇论文是在arxiv偶然看到的，主要是在航空图数据集上做目标检测。目前航空图方面的检测由于dota数据集的产生以及结合小目标检测，旋转框检测等目标检测领域难点而日渐受到关注。这篇CG-net是将transformer应用在航空图小目标检测上的思路，给我们做小目标检测提供一些思路。这篇貌似是没中cvpr。。。不过效果挺不错的。

概述

常看cv论文的都知道，图画的清不清晰决定了这篇论文要看多久。这篇论文图画的非常清楚明了。

详解

整个网络结构简单来概括就是FPN+transformer，cv中的attention机制一般分为两种：spatial attention和channel attention。spatial attention就是给每个像素或者其他表示空间信息的参数添加一个权重参数，忽略不同通道上的信息。channel attention是给每个通道添加一个权重参数。本文说自己提出了一种新的attention，但看到网络结构图的时候发现就是transformer，Q,K,V一个没变，一模一样。。。

网络由backbone+FPN+RP-CG+head组成。重点在FPN和RP-CG。图中也画得比较明了了。backbone的输出分成不同尺寸的几层，每一层在channel维度上分成N个部分。然后进入N个注意力头，每个head中使用transformer中的self-attention模块。将N个head的输出再在channel维度上合成。

输出进入RP-CG后，对每一层进行上采样，统一到一个尺寸。每一层都进入self-attention模块，将结果进行平均池化，和FPN的输出相加。最后丢进检测网络。

实验结果

上表是在dota数据集上的表现。