微小目标检测

微小目标检测是一项计算机视觉任务，专注于从图像中检测并识别尺寸非常小的目标。这些目标在图像中的像素分布有限，通常难以被现有的检测算法准确识别和定位。微小目标检测在地球科学和遥感领域具有重要意义，例如在城市规划、环境监测等应用中，精确识别和检测微小目标至关重要。

为了提升微小目标检测的性能，本文提出了一种新的检测框架，称为DeNoising FPN with Trans R-CNN（DNTR）。该框架采用了两项关键技术：

1. 去噪特征金字塔网络（DN-FPN）：这是一个易于插入的设计模块，利用对比学习来减少特征金字塔网络（FPN）中融合过程中的噪声，从而更好地处理多尺度目标的检测。

2. 基于Transformer的Trans R-CNN检测器：替代了传统的R-CNN检测器，利用自注意力机制来增强微小目标的表示能力，尤其在两阶段检测框架中发挥重要作用。

实验结果表明，该框架在多个数据集上的性能显著提升。例如，在AI-TOD数据集上，该方法的APvt指标相较基线模型提高了17.4％，在VisDrone数据集上的AP指标提高了9.6％。这表明DNTR在微小目标检测领域具备很高的应用潜力。

论文作者：Hou-I Liu,Yu-Wen Tseng,Kai-Cheng Chang,Pin-Jyun Wang,Hong-Han Shuai,Wen-Huang Cheng

作者单位：National Yang Ming Chiao Tung University;National Taiwan University

论文链接：http://arxiv.org/abs/2406.05755v1

项目链接：https://github.com/hoiliu-0801/DNTR

内容简介：

1）方向：微小目标检测

2）应用：目标检测

3）背景：尽管计算机视觉领域取得了显著进展，但对微小目标的精确检测仍然是一个重大挑战，主要是因为这些对象在图像数据中被分配的像素表示非常微小。这一挑战在地球科学和遥感领域中尤为突出，微小目标的高保真检测可以促进从城市规划到环境监测等各种应用。

4）方法：本文提出一种新的框架，名为DeNoising FPN with Trans R-CNN（DNTR），以改善微小目标检测的性能。DNTR包括一个易于插入设计的去噪FPN（DN-FPN）和一个有效的基于Transformer的检测器Trans R-CNN。具体来说，特征金字塔网络中的特征融合对于检测多尺度目标至关重要。然而，在融合过程中可能会产生嘈杂的特征，因为不同尺度的特征之间没有正则化。因此，引入了一个利用对比学习的DN-FPN模块，以抑制FPN自顶向下路径中每个级别特征中的噪声。其次，基于两阶段框架，用一种新颖的Trans R-CNN检测器取代了过时的R-CNN检测器，专注于利用自注意力来表示微小目标。

5）结果：实验结果表明，DNTR在AI-TOD数据集上至少比基线模型在APvt方面提高了17.4％，在VisDrone数据集上在AP方面提高了9.6％。代码：https://github.com/hoiliu-0801/DNTR；https://github.com/hoiliu-0801/DNTR。