Dynamic Coarse-to-Fine Learning for Oriented Tiny Object Detection

Introduction

论文题目 ：Dynamic Coarse-to-Fine Learning for Oriented Tiny Object Detection

论文地址 ：https://arxiv.org/pdf/2304.08876.pdf

论文出处 ：2023’ CVPR

代码实现 ：https://github.com/Chasel-Tsui/mmrotate-dcfl

作者的目标转移到遥感小目标检测上：

作者发现在当前有向小目标检测中，存在严重的不匹配和不平衡问题

左图prior(anchored-based: anchor & anchor-free points)和feature和instance三者之间不匹配，大概想表达的就是静态prior由于其固定的步长，限制了高质量阳性样本的上限。

右图是用retinanet计算分配给不同GT阳性样本的平均数量，，发现对于角度和尺度远离预定义anhor的GT，其上面分配的正样本数量远远低于靠近预定义anchor的GT.

据此，作者提出了一种动态由粗到细的学习方案（DCFL）:

受到DETR和Sparse R-CNN的启发，在prior中引入更多的灵活性，提出了PCB(先验捕获模块)：

这一步得到Dynamic Prior

替代IoU的评价指标：

在KLD(Kullback-Leibler Divergence)的基础上，使用GJSD(Generalized Jensen Shannon Divergence)，其克服了KLD不对成的缺点。

在作者的工作中， $\alpha$ 设置为0.5。

选取top K GJSD score with this gt as the Coarse Positive Samples (CPS)

这一步得到Coarse Positive Samples(CPS，粗正样本)

对于过滤得到的CPS，再采用进一步的筛选策略过滤掉低质量正样本(主要过滤掉那些离GT太远的样本)。

定义了一个PT指标(分类得分和IoU得分的线性组合)，来评估正样本是真实样本的可能性：

选取top Q PT Score with this gt as Midium Postive Sample(MPS)

对于MPS与之前使用中心概率图或者是单一高斯热图作为实例表示不同，这里使用更精细的DGMM来表示实例。

DGMM由两个部分组成，一个是几何中心，另一个是对象的语义中心（相比于单一高斯热图，主要是引入了对象语义中心）。

对象语义中心是对MPS样本的位置进行平均而推到出来的：

这一步得到Finer Positive Samples(FPS)

遥感小目标检测效果主要在DOTA2.0数据集上能体现出来，DCFL在这个任务上达到SOTA：

这张图没有放精度比它更高的模型，在DOTA1.0上要比Oriented-RCNN(75.87)上低一个点

文章当中列举的小目标检测的几个方向很有意思，有几个点我也没注意到：

本博客所有文章均采用 CC BY-NC-SA 4.0 协议，禁止商用，转载请注明出处！