Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning

要約

過去数年間、物体検出は大きな成功を収めてきましたが、現在の優れた検出器はサイズが制限されたインスタンスへの対処に苦戦しています。
具体的には、事前分布とオブジェクト領域の間の重複が少ないというよく知られた課題により、最適化のためのサンプルプールが制限されることになり、識別情報の不足により認識がさらに悪化します。
前述の問題を軽減するために、我々は CFINet を提案します。これは、Coarse-to-fine パイプラインと特徴模倣学習に基づいた小さなオブジェクトの検出に合わせて調整された 2 段階のフレームワークです。
まず、動的なアンカー選択戦略とカスケード回帰を通じて、小さなオブジェクトに対する十分かつ高品質の提案を保証するために、Coarse-to-fine RPN (CRPN) を導入します。
次に、従来の検出ヘッドに特徴模倣 (FI) ブランチを装備して、模倣方法でモデルを混乱させるサイズ制限のあるインスタンスの領域表現を容易にします。
さらに、この分岐を最適化するために、教師あり対比学習パラダイムに従う補助的な模倣損失が考案されています。
Faster RCNN と統合すると、CFINet は大規模な小さな物体検出ベンチマークである SODA-D および SODA-A で最先端のパフォーマンスを達成し、ベースライン検出器やその他の主流の検出アプローチよりも優れていることが強調されます。

要約(オリジナル)

The past few years have witnessed the immense success of object detection, while current excellent detectors struggle on tackling size-limited instances. Concretely, the well-known challenge of low overlaps between the priors and object regions leads to a constrained sample pool for optimization, and the paucity of discriminative information further aggravates the recognition. To alleviate the aforementioned issues, we propose CFINet, a two-stage framework tailored for small object detection based on the Coarse-to-fine pipeline and Feature Imitation learning. Firstly, we introduce Coarse-to-fine RPN (CRPN) to ensure sufficient and high-quality proposals for small objects through the dynamic anchor selection strategy and cascade regression. Then, we equip the conventional detection head with a Feature Imitation (FI) branch to facilitate the region representations of size-limited instances that perplex the model in an imitation manner. Moreover, an auxiliary imitation loss following supervised contrastive learning paradigm is devised to optimize this branch. When integrated with Faster RCNN, CFINet achieves state-of-the-art performance on the large-scale small object detection benchmarks, SODA-D and SODA-A, underscoring its superiority over baseline detector and other mainstream detection approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google