【CVPR 2022】高分辨率小目标检测：Cascaded Sparse Query for Accelerating High-Resolution Smal Object Detection

摘要：

虽然使用深度学习的通用目标检测器在过去几年中取得了巨大的成功，但检测小目标的性能和效率却远不能令人满意。提升小目标检测精度的最常见和最有效的方法是使用高分辨率的图像或特征图。然而，这两种方法都导致了计算复杂度的增加。

为了权衡计算复杂度和小目标精度，作者提出了QueryDet，它使用一种新的查询机制来加速基于特征金字塔的对象检测器的推理速度。

该模型包括两个步骤：首先预测小物体在低分辨率特征上的粗位置，然后利用由这些粗位置稀疏引导的高分辨率特征计算准确的检测结果，从而避免对背景区域的无用计算。

动机：

动机来自两个关键的观察结果：

• 对低级特征的计算是高度冗余的。在大多数情况下，小物体的空间分布非常稀疏：它们只占据了高分辨率特征图的几个部分。因此浪费了大量的计算；
• 特征金字塔是高度结构化的。虽然我们不能在低分辨率的特征图中准确地检测到小物体，但我们仍然可以以很高的可信度来推断出它们的存在和粗糙的位置。

实现：

作者基于Retina