文献阅读笔记4——《Contrasting YOLOv5, Transformer, and EfficientDet Detectors...》

《Contrasting YOLOv5, Transformer, and EfficientDet Detectors for Crop Circle Detection in Desert》

摘要

比较了 YOLOv5 、Transformer 和Efficientdet
建立了数据集：埃及和沙特阿拉伯
在域内和跨域场景进行评估

---

背景介绍

介绍背景应用->做农作物综述->引出麦田检测意义->引出需解决的两个问题
1.没有文献对麦田怪圈进行足够原因是因为缺乏数据集
2.遥感技术 缺乏用于精确定位遥感图像中目标的最新深度结构的对比评估

两个贡献：
1.我们解决了沙漠中的麦田怪圈检测问题，并建立了两个评价数据集。
2.我们对比了三种最新的目标检测模型，即YOLOv5、Transformer和EfficientDet，我们认为它们对于遥感图像中的目标检测至关重要。

---

方法

A.Transformer
DETR将目标检测视为一个直接的集合预测问题，分两次运行
1.设置预测损失
2.并行预测对象并建模其关系的体系结构

B.EfficientDet
BiFPN
1.如果一个节点只有一条输入边，没有特征融合，那么对特征网络的贡献更小；
2.如果输入节点和输出节点处于同一水平，则采用额外的边来将他们联系起来，这允许以最小的成本融合更多的特征；
3.每个双向（自上而下和自下而上）路径被视为一个要素图层，重复多次以实现高级别的要素融合。

C.YOLOv5
比较了12345版的优缺点，结构的改进
1.考虑处理时间：使用CSPNet作为backbone
2.处理对象比例变化：neck：PANet被用作构建特征金字塔
（锚框用于推断类别概率、边界框和客观性分数。）
有四个版本用来训练

---

实验结果和讨论

数据集：
EGY：特点是目标结构均匀，相对于背景对比度大
KSA：目标结构复杂，目标和背景对比度低

实验环境：

---

结论

综合阐述三种检测器