深 度 学 习 之 小 目 标 检 测 深度学习之小目标检测 深度学习之小目标检测
百度网盘
提取码:1234
1.《小目标检测技术研究综述_梁鸿》
小目标检测是针对图像中像素占比少的目标,借助计算机视觉在图像中找到并判断该目标所属类别的目标检测技术
小目标定义
在COCO数据集中,通常认为32*32像素点以下的标注框是小目标。在更广泛的业务场景中,会通过标注框与原图的比例来界定,具体的公式为:
2.《小目标检测研究进展》
重点阐述从数据增强、多尺度学习、上下文学习、生成对抗学习以及无锚机制等方面来提升小目标检测性能的方法,并分析了这些方法的优缺点和关联性
3.《基于深度学习的小目标检测方法综述》
小目标检测一直是目标检测领域中的热点和难点,其主要挑战是小目标像素少,难以提取有效的特征信息.
近年来,随着深度学习理论和技术的快速发展,基于深度学习的小目标检测取得了较大进展,研究者从网络结构、训练策略、数据处理等方面入手,提出了一系列用于提高小目标检测性能的方法.
该文对基于深度学习的小目标检测方法进行详细综述,按照方法原理将现有的小目标检测方法分为
基于多尺度预测、
基于数据增强技术、
基于提高特征分辨率、
基于上下文信息,
以及基于新的主干网络和训练策略等5类方法,
全面分析总结基于深度学习的小目标检测方法的研究现状和最新进展,对比分析这些方法的特点和性能,并介绍常用的小目标检测数据集.在总体梳理小目标检测方法的研究进展的基础上,对未来的研究方向进行展望.
技巧
提升小目标精度
1 尽量将图片放大再输入模型
2 模型backbone模仿图像分割的网络backbone
3 anchor设置的小而密集,甚至可以设置带角度的anchor
4 注意正负样本的生成方法、样本比例
5 注意损失函数的改进
最优可能、最简单的尝试方案即在anchor上先做做文章,将anchor做的密集一些并且小一些,
即先保证在产生proposal的时候你的小目标应该被比较好的覆盖住,看看有没有效果。
然后再考虑考虑上一些带权重的loss,重点关照一些特殊的、检测效果不好的目标类型,提高召回率。
-
data-augmentation。简单粗暴有效,正确的做sampling可以很大提升模型在小物体检测上的性能。这里面其实trick也蛮多的,可以参考pyramidbox里面的data-anchor-sampling。
-
fpn,dssd等特征融合方法。最简单粗暴有效的方法,但是速度上影响较大。
-
在主干网络的low level(stride较小部分)出feature map,对应的anchor size可以设置较大。
-
利用context信息,建立小物体与context的关系。或者上dilated类似混合感知野,或者在head部分引入SSH相似的模块。
-
小物体检测如何把bbox做的更准,参考iou loss和cascade rcnn的思路。
小物体不管是分割还是检测主要都是feature提不出来,容易和背景混淆。所以最方便的是直接在数据上下点功夫:
- 上采样,先做超分辨率再做检测
- 数据增强
使用基于faster rcnn的方法检测小物体有什么trick吗?
调anchor的setting;
把图像分辨率调大;
加数据增强;
如果是含有小目标的图片比较少的情况,可以用下OverSampling;
如果资源充足,可以尝试一下Perceptual GAN;
relation相同类别的目标;
换个outstride比较小的backbone;
backbone的pretrained;
ECCV2020的小目标检测的比赛,参考一下。
深度学习检测小目标常用方法
- 传统的图像金字塔和多尺度滑动窗口检测
- 简单粗暴又可靠的Data Augmentation
- 特征融合的FPN
- 合适的训练方法SNIP,SNIPER,SAN
- 更稠密的Anchor采样和匹配策略S3FD,FaceBoxes
- 先生成放大特征再检测的GAN
- 利用Context信息的Relation Network和PyramidBox
小目标检测学习汇总
- 小目标检测的数据增广秘籍
- 拯救小目标检测!Tiny Person数据集和SM尺度匹配小目标检测新方法
- 提升小目标检测的思路
- 目标检测正负样本区分策略和平衡策略总结
- 改进小目标检测!SSPNet:从无人机图像中检测微小目标的尺度选择金字塔网络
- …
简述:小目标检测相关技巧总结
小目标难以检测的原因:分辨率低,图像模糊,携带的信息少。由此所导致特征表达能力弱,也就是在提取特征的过程中,能提取到的特征非常少,这不利于我们对小目标的检测。
- 由于小目标面积太小,可以放大图片后再做检测,也就是在尺度上做文章
- 在Anchor上做文章(Faster Rcnn,SSD, FPN都有各自的anchor设计)
- 在ROI Pooling上做文章
- 用生成对抗网络(GAN)来做小目标检测
文章《Rethinking Convolutional Feature Extractionfor Small Object Detection》,该方法是网络上的改进,通过消除Stride操作增大feature map来提升小目标检测性能,以及小目标和大目标的具有单独路径的双路径权重共享方案。
影响小目标检测性能的主要原因是特征提取网络backbone将图片缩小过多倍而导致的结果
消除stride操作,并且为了避免大目标检测性能的下降,提出了采用了大目标和小目标双路径权重共享的方法
PPDet:减少Anchor-free目标检测中的标签噪声,小目标检测提升明显
整体思路可以说相当简单,就是在原来的基础上增加了标签池化和目标框聚合操作,其实可以看作是tricks。
论文地址: https://arxiv.org/pdf/2008.01167.pdf
代码地址(基于mmdetection实现):
https://github.com/nerminsamet/ppdet
EasyDL 百度产品
一种小目标检测中有效的数据增强方法
《Augmentation for small object detection》