小物体检测的有监督特征级超分辨方法 | ICCV 2019 : Better to Follow, Follow to Be Better

Better to Follow, Follow to Be Better: Towards Precise Supervision of FeatureSuper-Resolution for Small Object Detection

论文地址:http://vision.snu.ac.kr/project_pages/iccv19_noh/data/iccv19_noh.pdf
暂时没代码

感受野:

ARF、RRF、DRRF(1/2),分别代表感受野的大小,感受野与原图像大小的比值,原始图像与将原始图像缩小一半后RRF的比值。
这个比值越大,说明感受野也越大。
小物体检测的有监督特征级超分辨方法 | ICCV 2019 : Better to Follow, Follow to Be Better_第1张图片

网络结构:

SR:super-resolution,超分辨率。
SR target extractor使用了空洞卷积(对于卷积核大小大于1的),目的是为了扩大感受野,使目标有更丰富的上下文信息。因为输入图像一致,因此和backbone共享参数。
F0.5 是为了扩大感受野,经过卷积后,对于小目标有内容的损失,因此需要和原图像搭配使用(Since F0.5i only contains coarse and low-frequency information for a small RoI, we supplement its fine and high-frequency informationF0.5sub,ifrom the former layer.)。
加i代表经过多层roi后,最终要进行回归前的特征
F0.5i和F0.5i一起由gan生成超分辨率的特征S0.5i,这个S0.5i又与T1.0i对比损失。
最后:设定阈值,检测F1.0i时,超过这个阈值的是大目标,直接检测,反之则是小目标,由GAN将这个特征重新生成超分辨率特征再检测。
小物体检测的有监督特征级超分辨方法 | ICCV 2019 : Better to Follow, Follow to Be Better_第2张图片
gan:由F0.5i到S0.5i
这是gan的生成器,检测器在上图的SR feature discrimination
小物体检测的有监督特征级超分辨方法 | ICCV 2019 : Better to Follow, Follow to Be Better_第3张图片

总结

这篇论文,主要由三个点。
一,对小目标重新检测。
二,重新检测时使用GAN将特征转化成超分辨率。
三,GAN转化小目标时,尽可能的利用了上下文信息,即扩大了感受野。

你可能感兴趣的:(论文阅读,计算机视觉)