【SPRS J P & RS 2022】小目标检测模块：A Normalized Gaussian Wasserstein Distance for Tiny Object Detection

A Normalized Gaussian Wasserstein Distance for Tiny Object Detection

作者提出了一种新的框间距离的度量方法，用来解决传统的 IoU 度量对于小目标过于敏感的问题，可以直接用于基于锚框的检测器和NMS中。

在我自己采集的数据上进行训练发现该方法确实比较好用。

摘要：

检测微小物体是一个非常具有挑战性的问题，作者的关键观察是，基于 IoU 及其扩展的交叉指标对微小物体的位置偏差非常敏感，并且在基于锚的检测器中使用时，大大降低了检测性能。

为了缓解这一问题，作者提出了一种新的利用 Wasserstein 距离来替代小目标的评估度量，可以直接用于锚框匹配或者NMS。

具体地说，作者首先将边界框建模为二维高斯分布，然后提出一种新的度量方法（即归一化 Wasserstein 距离，简称 NWD），通过它们对应的高斯分布来计算它们之间的相似性。

所提出的NWD度量可以很容易地嵌入到任何锚基检测器的分配、非最大抑制和损失函数中，以取代常用的 IoU 度量。并且即使真值框与锚框没有重叠或重叠可以忽略不计，它也可以度量分布的相似度。此外，NWD对不同尺度的物体不敏感，因此更适合于测量微小物体之间的相似性。

作者在 AI-TOD 数据集上验证了方法的有效性。