文章目录
- RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection(ECCV2022)
- Dynamic Coarse-to-Fine Learning for Oriented Tiny Object Detection(CVPR2023)
- TOD-CMLNN(2023)
RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection(ECCV2022)
hh
观察到当前基于锚点或无锚点的标签分配范式存在尺度-样本不平衡问题,将产生许多异常的微小的地面真值样本,导致检测器对微小物体的关注减少。为此,我们提出了一种基于高斯接受场的标签分配(RFLA)策略用于微小目标检测。考虑到基于IoU阈值和中心采样策略倾向于大目标,我们进一步设计了基于RFD的分层标签分配(HLA)模块,以实现对小目标的均衡学习
Dynamic Coarse-to-Fine Learning for Oriented Tiny Object Detection(CVPR2023)
hh
作者发现当前面向微小目标检测的学习管道存在严重的不匹配和不平衡问题。
设计了一种面向微小目标检测的动态由粗到精学习(DCFL)方案,一方面以动态方式对先验、标签分配和目标表示进行建模,以缓和不匹配问题。另一方面,我们利用粗糙的先验匹配和更精细的后验约束来动态分配标签,为不同的实例提供适当和相对平衡的监督
TOD-CMLNN(2023)
hh
针对微小目标检测(TOD),本文提出了一种由三个子部分组成的TOD- CMLNN(微小目标检测竞争多层神经网络)体系结构,该结构由第一个子部分竞争多层网络、第二个子部分TOD辅助和第三个子部分多层次连续特征聚合组成,用于精确检测微小目标。目标检测的竞争学习是该体系结构的基础。