【ICCV 2019】特征超分检测：Towards Precise Supervision of Feature Super-Resolution for Small Object Detection

摘要：

尽管最近基于提案的CNN模型在目标检测方面取得了成功，但由于小的 ROI 区域所包含的信息有限和扭曲，检测小目标仍然很困难。

缓解这一问题的一种方法是使用超分辨率技术来增强小 ROI 的特性，因此作者研究了如何提高特征级超分辨率特别是小对象检测，并发现其性能可以显著提高。

为了丰富小建议中的信息，之前的一些研究利用了图像超分辨率。然而，现有的用于小目标检测的特征级超分辨率模型有一个显著的局限性：缺乏直接的监督。也就是说，他们的超分辨率模型没有训练出明确的目标特征，这导致了训练的不稳定性和限制了超分辨率特征的质量。

因此作者提出了一种新的特征级超分辨率方法，利用适当的高分辨率目标特征作为监督信号训练的SR模型和匹配的相对感受野的训练对输入低分辨率特征和目标高分辨率特性，而且可以与任何基于特征池化的检测器集成。

本文贡献点如下：

• 对现有的小目标检测的特征级超分辨率方法进行了深入的检查，发现利用高分辨率目标特征作为监督信号，并匹配输入和目标特征的相对感受野，会使模型对小目标的性能显著提高；
• 提出了一种新的特征级超分辨率方法，该方法适用于任何基于 RPN 的具有特征池化的检测器。它充分利用了创建的高分辨率目标特征的直接监督，并基于快速卷积不需要额外的参数，因为它与基础探测器的CNN主干共享参数。此外&