最最最喜欢的目标检测预处理思想,没有之一!!!
1.研究动机
(1)高清图像中小物体目标检测的特征丢失严重,想针对小物体的图片区域进行放大(zoom-in)也就是单独切割出来(crop)丢进目标检测器中进行探测。
(2)为了避免过分切割(不将大目标也切碎)。
于是利用DQN(deep Q learning)的思想进行最有切割策略的选择。
2.基本概念
Action:在该任务中动作是指将图片某个矩形块crop出来,也就是所谓的zoom-in丢入到目标检测器进行小目标的详细探测。由(x,y,w,h)表示。
State:编码了两部分信息,一部分是用来表示若这个区域被crop出去探测比原图探测提升的精度有多少(精度收益);另一部分为了避免多次crop出同一个区域进行zoom-in探测,会把crop出去的区域的精度收益置为0。这是由一个AG map来进行记录,而这个AG map有一个R-net的回归网络进行拟合。
Cost-aware reward function:为了不切碎大目标以及节省时间,采用带有惩罚的cost function,同时考虑了计算消耗和精度提升的多少,达到有限计算力的前提下提升精度的目的。给定状态s和动作a,plk代表在原图(低清)下探测的score,phk代表crop之后的高清探测下的