本文探讨了微小目标检测领域的最新进展，包括利用时间上下文、知识蒸馏、分层采样和动态学习策略。文章介绍了CFINet、ScaleKD、Zoom-In网络、RFLA和DCFL等方法，旨在解决训练样本不足、时间上下文利用、尺度问题和特征表示等挑战。这些研究为提高小目标检测的精度和效率提供了新的视角。
文章目录
- Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning（ICCV2023）
- Exploiting Temporal Context for Tiny Object Detection(WACV2023)
- ScaleKD: Distilling Scale-Aware Knowledge in Small Object Detector（CVPR2023）
- Efficient Classification of Very Large Images with Tiny Objects（CVPR2022）
- RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection（ECCV2022）
- Dynamic Coarse-to-Fine Learning for Oriented Tiny Object Detection（CVPR2023）
- TOD-CMLNN（2023）
Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning（ICCV2023）
hh
解决了小目标训练样本不足质量低以及判别信息匮乏的问题
提出CFINet
引入了由粗到精的区域提议网络（CRPN）解决训练样本不足质量低的问题
添加了特征模仿FI分支，并设计了一个损失函数对其进行优化，提升模型对小目标的识别能力和表示效果。
订阅专栏 解锁全文
3070
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
