电线塔检测推荐论文文章： SCAResNet 中文版

SCAResNet: A ResNet Variant Optimized for Tiny Object Detection in Transmission and Distribution Towers

发表期刊：IEEE Geoscience and Remote Sensing Letters （IF：5.3）

完整论文请查看：SCAResNet: A ResNet Variant Optimized for Tiny Object Detection in Transmission and Distribution Towers

电线塔数据集推荐：EDTII Dataset。包含输电塔，配电塔，电缆线，配电站。

如果需要博主整理好的输电塔和配电塔的coco形式数据集，请留言博主！！

EDTII 数据集样例：

SCAResNet 摘要：传统的基于深度学习的目标检测网络通常会在数据预处理阶段调整图像大小，以便在特征图中实现统一的尺寸和比例。调整大小是为了方便模型传播和全连接分类。然而，调整大小不可避免地会导致目标变形和丢失图像中的有价值信息，对于像配电塔这样线性形状和像素较少的微小目标，这一缺点尤为明显。为了解决这个问题，我建议放弃调整大小的操作。相对的，我引入了带有位置编码的多头十字交叉注意力机制。这使得模型能够捕捉上下文信息，并从多个表征子空间中学习，从而有效地丰富了配电塔的语义。此外，我还加强了空间金字塔池化，将三个池化特征图重塑为一个新的统一特征图，同时还减轻了计算负担。这种方法允许不同尺寸和比例的图像生成统一大小的特征图，并可用于特征图传播。SCAResNet将上述改进纳入了骨干网络 ResNet，并使用杜克大学的输配电塔基础设施图像（ETDII）数据集对SCAResNet进行了评估。在没有任何额外技巧的情况下，我将SCAResNet纳入各种目标检测的基线模型时，mAPs 提高了 2.1%。这证明了SCAResNet在检测输电和配电塔方面的优势及其在微小目标检测（TOD）中的价值。源代码见 GitHub - LisavilaLee/SCAResNet_mmdet: Code for SCAResNet: A ResNet Variant Optimized for Tiny Object Detection in Transmission and Distribution Towers. IEEE Geoscience and Remote Sensing Letters.