小目标检测TOD挑战赛冠军方案解读 | The 1st Tiny Object Detection Challenge

论文地址：https://arxiv.org/pdf/2009.07506.pdf

Abstract：

第一届小目标检测（TOD）挑战赛旨在鼓励人们进行研究，以开发新颖，准确的方法来对具有广阔视野图像中的微小物体进行检测，目前重点集中在小人物检测方面。 TinyPerson数据集用于TOD挑战赛，并已公开发布。 它具有1610张图像和72651框级注释。 来自全球的约36个参赛团队参加了第一届TOD挑战赛。 在本文中，我们对第一届TOD挑战赛进行了简要概述，包括了对前三名方法的简要介绍。对于对TOD挑战感兴趣的研究人员，将重新打开提交排行榜。 基准数据集和其他信息可以在以下位置找到：
https://github.com/ucas-vg/TinyBenchmark

Introduction：

虽然，通用目标检测在深度学习网络的促进下取得了很大的进步。但是，检测微小物体仍然具有挑战性，而且还没有得到很好的探索。 造成这种情况的一个可能原因是因为缺少用于微小物体检测的数据集和基准，因此与一般物体检测相比，研究人员对微小物体检测所面临的挑战的关注较少。因此，TOD赛事为了鼓励小物体检测方向的研究，提供了TinyPerson数据集，用于比赛。

其中TinyPerson数据集具有以下特点：

1）TinyPerson中的人与其他代表性数据集相比很小，图像尺寸主要为1920 * 1080，这是其主要特征

2）TinyPerson中人员的长宽比差异很大。 TinyPerson具有不同的姿势和观点，它带来了更加复杂的多样性

3）在TinyPerson，主要关注海边的人

4）在TinyPerson中，有很多物体密集的图像（每个图像超过200个人）

任务分类：主要包含sea person和earth person两种，以及ignore部分（具体定义可以看论文）

评估标准：AP (average precision) and MR(miss rate)

Result and Methods:

先看一下参赛队伍的成绩：

1st：Team baidu ppdet

采用两阶段检测算法：Faster R-CNN， FPN, Deformable R-CNN, and Cascade R-CNN

数据集：90%训练，10%验证

数据增广：预训练模型在MSCOCO和Object365上训练得到。使用Scale match（Scale match for tiny person detection. In: WACV）的方法去解决TinyPerson与预训练数据集目标尺寸分布不一致问题。可以在AP50指标上提升2-3个点

训练策略：Faster-RCNN+R101，AP50指标是57.9%。+多尺度训练，达到60.1%。优化NMS阈值，采样质量比率等，达到65.38%

模块优化：采用PAFPN替换FPN，涨点1.5个

模型集成：作者发现直接对于尺寸和性能截然不同的模型融合，结果会变得更糟，因为较小的模型会降低较大模型的性能。所以采用coarse-fine的策略，即上图所示，对两个模型框的得分先进行加权，然后采用分数相加的策略替换掉原本只保留置信度高的值。

2,3名的方案各位自己去看一下…