文章链接:https://arxiv.org/pdf/1904.08008.pdf
译文
文章译文参考:
https://www.sohu.com/a/344534763_651893?spm=smpc.author.fd-d.2.1569933566105xEzTnmd
主要方法介绍
问题:目前的目标检测方法在航空图像的目标检测的应用上有以下问题:1)目标相对原图来说尺度很小;2)目标通常稀疏且不均匀地分布在整个图像中。
方法:论文提出了一个聚类检测网络。通过将模板检测和聚类检测集成在一个统一的框架中来解决上述两个问题。
流程图如下:
具体实现:
ClusDet由三个关键部分构成:聚类提议子网络(CPNet),尺度估计子网络(ScaleNet),检测网络(DetecNet)
- 首先利用CPNet对图像进行类似于RPN的簇区域proposal,与RPN的区别具体在于一个提出的是目标的候选区域,一个提出的时簇区域的候选网络,簇区域的规模要比RPN的大得多。
- 在得到簇区域后,利用ICM对簇区域进行一个去冗余的操作。在获得簇区域后,用detection sub-net在原图(输入图像,全局图)上做目标检测。将原图的目标检测和propose的簇区域的结果输入到ScaleNet,对每个簇区域估计合适的尺度,并利用尺度信息将簇区域进行缩放(因为在输入最终的baseline detection net网络之前,需要对簇区域进行缩放,使得尺度一致,但之前propose出来的区域并不一定是适合直接缩放的,所以引入了ScaleNet来估计合适的缩放尺度)。
如下图所示,计算原图的目标检测框(黄色小框框)与propose簇区域的框(绿色框)之间的尺度
计算出来尺度偏大的,如下图上面一行,目标相对于簇区域来说比例偏大,对这种情况的簇区域做填充处理,使目标相对于簇区域来说更合适,而下面一行则是目标相对于簇区域的比例偏小,对这种情况直接将簇区域一分为二。
- 将调整后的簇区域送入detection net进行目标检测,最后将该簇区域局部检测结果与原图的全局检测结果融合,并进行NMS处理,得到最后的目标检测结果。