欢迎来到《每周CV论文推荐》。在这个专栏里，还是本着有三AI一贯的原则，专注于让大家能够系统性完成学习，所以我们推荐的文章也必定是同一主题的。
生成对抗网络诞生至今已经有很多领域中展现出强大的能力，它不仅可以单独用于图像生成、图像翻译等方向，也可以作为一项技术添加到其他方向中，提升模型的性能，本次我们给大家推荐将GAN添加到目标检测模型中用于提升性能值得阅读的一些方向。
作者&编辑 | 言有三
1 特征增强GAN
小目标之所以难以检测，主要原因是目标模糊，特征不够好，Perceptual GAN的基本原理就是通过生成器对小目标的特征进行增强，从而增强其表达能力，使其达到与大目标相当的水平，类似的也有一些其他工作。
文章引用量：700+
推荐指数：✦✦✦✦✧
[1] Li J, Liang X, Wei Y, et al. Perceptual generative adversarial networks for small object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 1222-1230.
[2] Noh J, Bae W, Lee W, et al. Better to follow, follow to be better: Towards precise supervision of feature super-resolution for small object detection[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 9725-9734.
2 超分辨检测GAN
基于GAN的超分辨框架当前已经非常成熟，因此一种典型的研究思路就是将超分辨机制融入检测模型，增大小目标的尺寸，从而提高小目标召回率。
文章引用量：400+
推荐指数：✦✦✦✦✧
[3] Bai Y, Zhang Y, Ding M, et al. Finding tiny faces in the wild with generative adversarial network[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 21-30.
[4] Bai Y, Zhang Y, Ding M, et al. Sod-mtgan: Small object detection via multi-task generative adversarial network[C]//Proceedings of the European Conference on Computer Vision (ECCV). 2018: 206-221.
3 对抗样本生成GAN
遮挡、变形等是在目标检测任务中存在的常见难题，一般解决这些问题的办法是在数据集中涵盖尽可能多的样本，但实际上有很多情况是长尾分布的，我们很难通过采集数据覆盖到，基于GAN的对抗样本生成提供了一个不错的思路。
文章引用量：1000+
推荐指数：✦✦✦✦✧
[5] Wang X, Shrivastava A, Gupta A. A-fast-rcnn: Hard positive generation via adversary for object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2017: 2606-2615.
[6] Chen Y, Song L, Hu Y, et al. Adversarial occlusion-aware face detection[C]//2018 IEEE 9th International Conference on Biometrics Theory, Applications and Systems (BTAS). IEEE, 2018: 1-9.
[7] Song Y, Ma C, Wu X, et al. Vital: Visual tracking via adversarial learning[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018: 8990-8999.
4 弱监督检测GAN
弱监督目标检测是当下目标检测方向的一个前沿领域，通过图像标签等更加粗粒度的标注信息，可以进一步降低目标检测的标注代价，GAN优良的图像生成能力可以用于在图像中寻找目标进行识别和定位，不过这是一个非常新的方向，仍然有待更多研究。
文章引用量：较新
推荐指数：✦✦✦✦✦
[8] Diba A, Sharma V, Stiefelhagen R, et al. Weakly supervised object discovery by generative adversarial & ranking networks[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. 2019: 0-0.
5 如何进行实战
为了帮助大家掌握目标检测相关的理论与实战！我们推出了相关的专栏课程《深度学习之目标检测：理论与实践》，感兴趣可以进一步阅读：
【视频课】CV必学，超30小时，4大模块，4大案例，循序渐进地搞懂目标检测！
总结
本次我们介绍了基于GAN的目标检测的一些方向，由于GAN具有优良的图像生成能力，将其用于目标检测有助于改善特征，增强样本，从事目标检测与GAN相关研究方向的朋友可以通过阅读这些文章进行初步了解。
有三AI—CV夏季划
如果想要系统性地从零进阶计算机视觉，彻底掌握好CV的重要方向，同时提升模型设计与优化的工程代码经验，拥有计算机视觉相关岗位的就业能力，请关注有三AI-CV夏季划，阅读了解下文：
【CV夏季划】2022年正式入夏，从理论到实践，如何系统性进阶CV？（产学研一体的超硬核培养方式）
转载文章请后台联系
侵权必究
