Small Object Detection using Context and Attention 论文阅读笔记
出处:2021 International Conference on Artificial Intelligence in Information and Communication (ICAIIC) Jeju Island, Korea
一、介绍
目标检测算法在各种环境下的应用存在许多局限性,特别是检测小物体仍然具有挑战性,因为它们的分辨率低,信息有限。
- 文章提出了一种使用上下文的目标检测方法,以提高检测小目标的准确性。该方法通过连接多尺度特征,将来自不同层次的附加特征作为上下文。
- 提出了具有注意机制的目标检测,该机制可以聚焦于图像中的目标,并包含目标层的上下文信息。
实验结果表明,与传统的SSD相比,该方法对小目标的检测精度更高。此外,对于300×300的输入图像,在PASCAL VOC2007测试集上实现了78.1%的平均精度(mAP)。
二、相关工作
2.1 基于深度学习的目标检测
- R-CNN:利用深度学习进行物体检测的第一个尝试,但对于实时应用程序来说,它太慢了,因为它对每个候选区域都是顺序通过cnn的。
- Fast R-CNN:对所有候选区域只执行一次特征提取。但这两项工作仍然对区域建议使用了单独的阶段。
- YOLO、SSD:实时目标检测。
2.1 小目标检测
- SSD:提出减少大型目标的尺寸,以克服数据不足的问题。
- DSSD:对SSD的所有特征图都采用反卷积技术,