CVPR21小目標檢測：上下文和注意力機制提升小目標檢測
加入技術(shù)交流群
CVPR21文章我們也分享了很多最佳的框架，在現實(shí)場(chǎng)景中，目標檢測依然是最基礎最熱門(mén)的研究課題，尤其目前針對小目標的檢測，更加吸引了更多的研究員和企業(yè)去研究，今天我們“計算機視覺(jué)研究院”給大家分享一個(gè)小目標檢測精度提升較大的新框架！
論文：
https://arxiv.org/pdf/1912.06319.pdf
1簡(jiǎn)要
2 背景
下圖顯示了SSD框架無(wú)法檢測到小目標時(shí)的案例情況。對小目標的檢測還有很大的改進(jìn)空間。
3 新框架分析
F-SSD: SSD with context by feature fusion
為了為給定的特征圖（目標特征圖)在我們想要檢測目標的位置提供上下文，研究者將其與目標特征層更高層次的特征圖(上下文特征）融合。例如，在SSD中，給定我們來(lái)自conv4_3的目標特性，我們的上下文特征來(lái)自?xún)蓪?，它們是conv7和conv8_2。
雖然新框架的特征融合可以推廣到任何目標特征和任何更高的特征。然而，這些特征圖具有不同的空間大小，因此研究者提出了如上圖所示的融合方法。在通過(guò)連接特征進(jìn)行融合之前，對上下文特征執行反卷積，使它們具有與目標特征相同的空間大小。將上下文特征通道設置為目標特征的一半，因此上下文信息的數量就不會(huì )超過(guò)目標特征本身。僅僅對于F-SSD，研究者還在目標特征上增加了一個(gè)額外的卷積層，它不會(huì )改變空間大小和通道數的卷積層。
此外，在連接特征之前，標準化步驟是非常重要的，因為不同層中的每個(gè)特征值都有不同的尺度。因此，在每一層之后進(jìn)行批處理歸一化和ReLU。最后通過(guò)疊加特征來(lái)連接目標特征和上下文特征。
A-SSD: SSD with attention module
如上圖，它由一個(gè)trunk分支和一個(gè)mask分支組成。trunk分支有兩個(gè)殘差塊，每個(gè)塊有3個(gè)卷積層，如上圖d所示；mask分支通過(guò)使用殘差連接執行下采樣和上采樣來(lái)輸出注意圖（圖b為第一階段和圖c為第二階段)，然后完成sigmoid激活。殘差連接使保持下采樣階段的特征。然后，來(lái)自mask分支的注意映射與trunk分支的輸出相乘，產(chǎn)生已參與的特征。最后，參與的特征之后是另一個(gè)殘差塊，L2標準化，和ReLU。
FA-SSD: Combining feature fusion and atten- tion in SSD研究者提出了以上的兩個(gè)特征的方法，它可以考慮來(lái)自目標層和不同層的上下文信息。與F-SSD相比，研究者沒(méi)有在目標特征上執行一個(gè)卷積層，而是放置了one stage的注意模塊，如下圖所示。
4 實(shí)驗
ResNet SSD with feature fusion + attention module (FA- SSD)
紅色框是GT，綠色框是預測的
*博客內容為網(wǎng)友個(gè)人發(fā)布，僅代表博主個(gè)人觀(guān)點(diǎn)，如有侵權請聯(lián)系工作人員刪除。
