小物体检测的有监督特征级超分辨方法 |Tsinghua-Tencent

论文提出新的特征级超分辨方法用于提升检测网络的小物体检测性能，该方法适用于带ROI池化的目标检测算法。在VOC和COCO上的小物体检测最大有5~6%mAP提升，在Tsinghua-Tencent 100K上的小物体检测则最大有约9点F1提升
 
来源：优亿在线资讯网

论文: Better to Follow, Follow to Be Better: Towards Precise Supervision of Feature
Super-Resolution for Small Object Detection

• 论文地址：http://openaccess.thecvf.com/content_ICCV_2019/papers/Noh_Better_to_Follow_Follow_to_Be_Better_Towards_Precise_Supervision_ICCV_2019_paper.pdf

Introduction

---

  目前检测算法的研究取得了很大的进步，但仍然面临小物体、遮挡物体和不完整物体的检测问题。论文专注于接近proposal-based检测算法的小物体检测问题，认为小物体检测问题的主要原因在于小物体在特征图上的信息太少

  特征超分辨(feature-level super-resolution)是一个很不错的增强小物体特征信息的方法，该方法的关键在于构造有效的高分辨率特征直接指导generator的训练。有效的获取方法是通过缩放原图然后进行特征提取，取对应的区域的特征作为训练目标，这样能够有效地保留目标的上下文信息。论文发现高低分辨率特征的相对感受域并不是跟缩放比例一致的，而保持相对感受域大小对超分辨训练很重要，如图1所示，即要根据相对感受域变换对目标区域进行缩放
  论文的主要贡献如下：

• 考察现有的用于小物体检测的特征超分辨方法，总结其作用的关键点主要有两点：(i) 使用高分辨率的目标特征作为监督信号 (ii) 输入特征和目标特征在原图上的相对感受域大小需要匹配
• 提出新的特征超分辨率方法，可以用于任何带ROI特征池化的proposal-based检测器。目标生成器与主干网络共享权