目录
1.Slicing Aided Fine-tuning(SF)
2 Slicing Aided Hyper Inference(SAHI)
前言
小目标检测长期以来是计算机视觉中的一个难点和研究热点。小目标检测目前面临的问题主要是区域较小、分辨率低、噪声影响大以及边缘位置不利于检测等。因为小目标的像素少,能够提取的特征信息就少,传统中大目标的检测方法难以奏效。深度学习理论和技术的发展,使得小目标检测精度得以提升。基于GAN、上下文信息结合、数据增强、多尺度学习和无锚机制方法等方法,大大提高了小目标检测性能。在深度学习的驱动下,小目标 检测已取得了重大突破,并成功应用于国防安全、智能交通和工业自动化等领域。
小目标在通用的目标检测数据集中被定义为像素点小于32x32的物体,而在实际检测中,我们往往将小目标定义为占图像比例小于0.1的物体。小目标检测属于目标检测下的一个分支,是在目标检测的基础上进行的变形。早期的目标检测框架大多数是针对通用的目标来进行检测,如经典的单阶段方法YOLO和SSD,两阶段方法Faster RCNN等,这些方法主要是针对通用目标数据集来设计的解决方案,因此对于图像中的小目标来说,检测效果不是很理想。目标检测SOTA算法在COCO数据集上的AP是38.8,几乎是大目标的一半。
算法原理
小目标的检测识别研究从多个角度展开,大体上将研究思路分为特征超分辨、特征融合、使用上下文信息和数据增强四类。并且分别举四个方向的实例。第一个是使用对抗生成网络来进行小目标的超分辨特征生成,来自“感兴趣区域”的小物体patch得到了增强,以更好地帮助分类器在SOD-MTGAN中做出决策;第二个在特征金字