目标检测之Task-Driven Super Resolution: Object Detection in Low-resolution Images

0.摘要

目的是证明sr是否可以对低分辨率的目标检测任务做出贡献，这篇文章加入了用来计算sr过程中的检测损失。本文想要找来一个鲁棒性比较好的sr方法，可以广泛应用于低分辨率的目标检测中，并且证明其有效性。

1.病态的sr

SR的最终目标仍然是按照人类视觉感知的标准尽可能地重建图像，但是人的感知和机器的感知不同。所以如果我们sr的目的是为了给机器使用，我们应该使用更迎合机器的sr方法而不是使用那些迎合肉眼的方法。低分辨率的图片是通过高分辨率图片下采样的方式获得，图b是1/8-size再填充黑色。

(d)和(e)中的两个SR图像说明了这一点。两者看起来都与人眼相似，但网络的检测结果却有显著差异。此外，传统的重建质量度量(PSNR)未能捕捉到这种差异，将(d)赋值明显较高，但是检测结果更差。

2.Task Driven Super-resolution

由两个构建构成:一个超分辨率(SR)网络S和一个任务网络d。

2.1SR

sr网络可以将低分辨率图像xl映射到高分辨率图像xh = S(xl;θSR)。超分使用DBPN，使用均方误差(MSE)重建损失进行训练。

2.2Task

检测端使用的是一阶段的ssd网络，也是使用比较常规的损失：置信度损失和回归损失。

3.实验结果

超分DBPN在DIV2k预训练，检测SSD在PASCAL VOC0712预训练，测试图片为VOC2007test。原始图像(HR)获得75.8%的mAP，更高的PSNR一定不能对应更好的检测结果。

TDSR方法与其他SR方法的详细比较结果，也包括双三次插值

在现实环境中，图像会受到其他来源的破坏，这可能会加剧分辨率降低带来的本已严重的损害。所以作者模拟噪声后再进行了实验，基于tdsr的超分甚至比原来的结果更好，作者认为可以去模糊。

5.结论

实验结果证明sr在低分辨率目标检测上比插值方式有优势，可以去模糊。但是没有一个更好的图像质量指标来衡量图像的质量。