RFLA: Gaussian Receptive Field based Label Assignment for Tiny Object Detection

要約

小さなオブジェクトの検出は、オブジェクト検出の開発を妨げる主な障害の 1 つです。
一般的なオブジェクト検出器のパフォーマンスは、小さなオブジェクト検出タスクでは大幅に低下する傾向があります。
このホワイト ペーパーでは、アンカー ベースの検出器のボックス プライオリティまたはアンカーのない検出器のポイント プライオリティのいずれかが、小さなオブジェクトには最適ではないことを指摘します。
私たちの主な観察結果は、現在のアンカーベースまたはアンカーなしのラベル割り当てパラダイムでは、多くの外れ値の小さなサイズのグラウンド トゥルース サンプルが発生し、検出器が小さなオブジェクトにあまり焦点を当てないようにすることです。
この目的のために、小さなオブジェクト検出のためのガウス受容野ベースのラベル割り当て (RFLA) 戦略を提案します。
具体的には、RFLA はまず特徴受容野がガウス分布に従うという事前情報を利用します。
次に、サンプルを IoU またはセンター サンプリング戦略で割り当てる代わりに、新しい受容野距離 (RFD) を提案して、ガウス受容野とグラウンド トゥルースの間の類似性を直接測定します。
IoU しきい値ベースおよびセンター サンプリング戦略が大きなオブジェクトに偏っていることを考慮して、RFD に基づく階層ラベル割り当て (HLA) モジュールをさらに設計して、小さなオブジェクトのバランスの取れた学習を実現します。
4 つのデータセットに対する広範な実験により、提案された方法の有効性が実証されました。
特に、私たちのアプローチは、AI-TOD データセットで 4.0 AP ポイントを獲得し、最先端の競合他社よりも優れています。
コードは https://github.com/Chasel-Tsui/mmdet-rfla で入手できます

要約(オリジナル)

Detecting tiny objects is one of the main obstacles hindering the development of object detection. The performance of generic object detectors tends to drastically deteriorate on tiny object detection tasks. In this paper, we point out that either box prior in the anchor-based detector or point prior in the anchor-free detector is sub-optimal for tiny objects. Our key observation is that the current anchor-based or anchor-free label assignment paradigms will incur many outlier tiny-sized ground truth samples, leading to detectors imposing less focus on the tiny objects. To this end, we propose a Gaussian Receptive Field based Label Assignment (RFLA) strategy for tiny object detection. Specifically, RFLA first utilizes the prior information that the feature receptive field follows Gaussian distribution. Then, instead of assigning samples with IoU or center sampling strategy, a new Receptive Field Distance (RFD) is proposed to directly measure the similarity between the Gaussian receptive field and ground truth. Considering that the IoU-threshold based and center sampling strategy are skewed to large objects, we further design a Hierarchical Label Assignment (HLA) module based on RFD to achieve balanced learning for tiny objects. Extensive experiments on four datasets demonstrate the effectiveness of the proposed methods. Especially, our approach outperforms the state-of-the-art competitors with 4.0 AP points on the AI-TOD dataset. Codes are available at https://github.com/Chasel-Tsui/mmdet-rfla

arxiv情報

提供元, 利用サービス

arxiv.jp, Google