【SPRS J P & RS 2022】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。