小目标检测模型设计的一点思考

2023-12-15 01:40:02

1. 小目标的特性

  • 目标之间的交叠概率比较低,即使有交叠,其IoU多数情况下也是比较小的
    在这里插入图片描述
AI-TOD

在这里插入图片描述

Tiny Person Dateset
  • 小目标自身的纹理显著度有强弱区别,但是总体来说纹理特征都较弱,很多时候需要借助一定的图像上下文来帮助确认
    在这里插入图片描述
随着上下文信息增加,可以逐步判断为人脸

2.小目标分类

在这里插入图片描述

3.从感受野切入,思考小目标检测backbone设计

在这里插入图片描述
基本认识:在不考虑宽度的情况下,网络深度越深,通常来说更有利于特征学习
在这里插入图片描述
一个不严谨的共识:在达到相同大小感受野的情况下,网络越深越好

二次加工以后的共识:在确保网络结构在各种资源消耗可行的前提下,达到相同大小感受野的情况下,网络越深越好

关注步长为2的卷积所在位置,它控制了达到某个大小感受野的网络深度

如果有多个步长为2的卷积,那么它越多,网络越浅
如果只有一个步长为2的卷积,那么它越靠前,网络越浅

面向小目标检测的backbone设计原则:

  • 使用步长为2的卷积替代pooling操作进行下采样
  • 避免使用步长超过2的卷积,比如步长为4的卷积
  • 在两个步长为2的卷积之间,需要加入若干步长为1的卷积,这里可以是3x3的卷积也可以是1x1的卷积
  • 达到预期感受野大小的前提下,尽可能让网络更深,但是要把握好各项资源消耗和精度的平衡,要具备可行性

文章来源:https://blog.csdn.net/weixin_45074568/article/details/134915461
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。