R2-CNN: Fast Tiny Object Detection in Large-scale Remote Sensing Images论文解读

一、研究动机
得益于卷积神经网络的迅速发展，目标检测作为计算视觉领域的基础任务也得到飞速发展，尤其是在日常场景（平视视角）中的数据集上表现喜人。但对于大尺度遥感图像的极小物体目标检测，其检测效果改进空间依旧很大。分析当前面临的挑战主要有以下几方面：
（1）输入图片尺寸过大（18 000×18 192和27 620×29 200），现有目标检测方法效率 低。
（2）复杂背景对检测任务带来干扰（沙漠、植被、城区等不同地表结构）。
（3）高空取景导致探测目标所占像素比极低（例如8-32像素），而这些极小目标成为 了检测效果低下的主要原因。基于以上三大挑战，本文提出了一种统一的带有自主增强性（self-reinforced）的神经网络R2-CNN：一种基于遥感图像的卷积神经网络，由作为骨干网络的Tinny-Net、分类器和探测器组成，使整个网络在计算效率和内存消耗方面都有所提升，除了对假正例具有鲁棒性，还具有检测微小目标的能力。大致流程如下图所示：

每张图片会先分块输入Tinny-Net进行特征提取，再经过注意力机制模块进行加权处理，然后经过一个二分类器来判断该块图片是否含有目标，得到有目标的图片