【基于上下文与注意力的小目标检测】Small Object Detection using Context and Attention
- 我的总结
- Small Object Detection using Context and Attention
- 0 Abstract
- 1 Introduction
- 2 Related Works
- 3 Method
我的总结
- 融合：fusion
- 残差注意力模块：residual attention module
- L2 Norm更适合融合操作
- 基于SSD模型，Backbone是AGG16
本篇仅是简单阅读记录！！！
Small Object Detection using Context and Attention
文章连接：https://arxiv.org/abs/1912.06319v2
0 Abstract
为了提高小目标检测的精度，本文提出一种利用上下文的目标检测方法。
该方法通过连接多尺度特征，使用来自不同层的附加特征作为上下文。
还提出了具有注意力机制的目标检测，该机制可以聚焦于图片中的目标，并且可以包含来自目标层的上下文信息。
1 Introduction
目标检测的mAP较高了，但小目标mAP较低，SSD小目标检测mAP只能达到20.7%，还有很大的提升空间。
小目标检测难的原因是低分辨率和有限的像素。
把上下文信息作为额外的信息可以帮助小目标检测。
- 第一，为了提供足够的关于小对象的信息，作者通过利用来自更高层的更抽象的特征作为对象的上下文，从小对象的周围像素中提取上下文信息。通过连接小对象的特征和上下文的特征，我们增加了小对象的信息，使得检测器可以更好地检测对象。
- 第二，为了专注于小对象，作者在早期层使用了一种注意力机制。这也有助于减少背景中不必要的浅层特征信息。在作者的实验中，作者选择SSD作为基线。然而，这个想法可以推广到其他网络。
2 Related Works
深度学习目标检测：
- R-CNNFast R-CNN,慢，两步
- Faster R-CNN,速度提升，两步
- SSD,YOLO，快，一步
- 检测小目标都不太好
小目标检测：
- 数据扩充，减小大目标尺寸，解决数据不足的问题
- 反卷积技术放大特征图，DSSD反卷积所有特征图，模型复杂度变高，速度降低；R-SSD通过池化和反卷积混合不同尺寸的特征图，相较于DSSD速度精度皆有提升
- 以低分辨率的特征作为GAN的输入，获得高分辨率的特征
视觉注意力网络：
- 使用LSTM获取给定图片的相关部分，从而给图片创建图片字幕
- 叠加残差注意力模块
3 Method
- 第一，SSD通过特征融合来获取上下文信息，称为F-SSD。
- 第二，SSD具有注意力模块，使网络能力集中在重要的部分，称为A-SSD。
- 第三，作者结合了特征融合和注意力模块，命名为FA-SSD。
SSD：
其思想是利用早期特征图的较高分辨率来检测较小的物体，而利用分辨率较低的较深特征来检测较大的物体。
小目标检测精确度仍较差，原因：
- 缺少上下文信息
- 浅层特征层缺少语义信息
F-SSD：
为了给作者想要检测对象的给定特征图(目标特征)提供上下文，作者将其与来自目标特征层的更高层的特征图(上下文特征)相融合。
- 目标特征：【Conv4_3】–【3X3卷积，padding=1，stride=1，尺寸不变；BN；ReLU】–【融合：Stack堆叠融合】
- 上下文特征1：【Conv7】–【反卷积deconvolution：将上下文特征转换为与目标特征尺寸一致】–【融合】
- 上下文特征2：【Conv8_2】–【反卷积deconvolution】–融合
注：Batch Normalization 与 L2 Normalization
详细解释见连接：https://blog.csdn.net/weixin_30344795/article/details/94804119
融合的方法如下图所示。
A-SSD
手绘残差注意力模块和图五（a）一样，手绘有助于理解，后续需阅读残差注意力模块论文
FA-SSD注：本笔记仅为记录文献阅读，防止遗忘。如有侵权，立即删除！