论文地址:https://arxiv.org/abs/2003.07021
概括
这篇论文主要是针对小目标的检测,在CNN中,由于使用了多次下采样,使得小目标的语义信息在最终的特征图中保留甚少甚至消失,因此小目标的检测一直以来都是CV领域关注的大问题。
一种有效的充分利用全部特征信息的方法是FPN,通过 top-down 和 lateral connection 的方式构建了特征金字塔,使得高层的语义特征和浅层的纹理特征能够融合,有利于小目标的检测,FPN现在已经称为了目标检测任务中的标配。
作者认为目前的FPN仍然存在一些问题:
(1)特征复合:小目标一定与中等目标和一些大目标共享同样的特征图,这就使得在设置anchor时,中等目标和小目标都要在最底层特征图中进行检测。
(2)小目标检测性能很差:当目标实例变小,检测性能急剧下降。如下图所示,复合的跨规模特征使得检测能力变得很差。
另一种补偿小目标信息的方式是提高特征分辨率(SR),但是这种方法仅仅在最浅层的特征图上弥补细节信息的损失,忽视了骨干网中其他特征图上的可信任细节信息。会导致在CNN中制造虚假纹理信息和过多的人为信息,导致检测错误。