1.小目标介绍

        目标检测近十年涌现了一大批如Faster R-CNN、RetinaNet、YOLO等可以在工业界实用的目标检测方法,但小目标检测性能差的问题至今也没有被完全解决。因为Swin Transformer的提出,COCO test-dev上的 AP 已经刷到64 ,但小目标检测性能(即APS )和大目标检测性能(即 APL )仍然差距悬殊。从某方面讲,现在COCO刷不上去的一个主要原因就是小目标检测的性能太差。

涨点神器:基于Yolov5/Yolov7的小目标性能提升-LMLPHP

小目标检测难点

本文所指的小目标是指COCO中定义的像素面积小于32*32 pixels的物体。小目标检测的核心难点有三个:

  • 由本身定义导致的rgb信息过少,因而包含的判别性特征特征过少。
  • 数据集方面的不平衡。这主要针对COCO而言,COCO中只有51.82%的图片包含小物体,存在严重的图像级不平衡。
  • anchor难匹配问题。

研究思路

1)数据增强

数据增强是提升小目标检测效果最简单有效的方法。通过扩充小目标样本的规模,增强模型的鲁棒性和泛化能力。

2)多尺度学习

小目标与常规的目标相比可利用的像素少,难以提取到好的特征,随着网络深度的增加,小目标的特征信息和位置

05-26 00:04