0827 每日文献阅读 打卡

 

 

Read Data: 0827	Publication: ICLR 2018
Title: Better to Follow, Follow to Be Better: Towards Precise Supervision of Feature Super-Resolution for Small Object Detection Participants: Junhyug Noh1 Wonho Bae2 Wonhee Lee1 Jinhwan Seo1 Gunhee Kim
Aim: 为了解决，在某些条件下，如小目标、被遮挡的或被截断的物体，仍然很难检测到的问题。虽然当前提出运用GAN改善小目标检测精度，但SR模型存在一个显著的局限性:缺乏直接监督，即SR模型训练时没有明确的目标特征，导致训练不稳定，限制了超分辨率特征的质量。	Research Question: (1)我们深入检查了现有的小目标检测的特征级超分辨率方法，发现(i)利用高分辨率目标特征作为监督信号，(ii)匹配输入和目标特征的相对接受域，性能得到了显著提高。 (2)我们提出了一种新的特征级超分辨率方法，该方法正交适用于任何基于提议的具有特征池的检测器。它充分利用了我们的新目标提取器创建的高分辨率目标特征的直接监督，该目标提取器利用了不需要额外参数的atrous卷积，因为它与基础检测器的CNN骨干共享参数。此外，我们提出了一种迭代精炼生成器作为超分辨特征的新方法。
Method: 提出了一种基于两个关键思想的小目标检测特征超分辨方法：(1)、直接监督超分辨发生器;(2)、通过卷积进行感受野匹配。在基本检测模型的基础上，我们引入了四个附加组件:SR特征发生器和鉴别器、SR目标提取器和小预测器。通过空洞卷积使生成的SR特征与低分辨率特征，保持相同的感受野。
Results: 在我们的实验中，我们的方法显著提高了Faster R-CNN在清华-腾讯100K、PASCAL VOC和MS COCO三个基准上的性能。对于小目标的改进是非常大的，令人鼓舞的是，对于中、大目标的改进也不是微不足道的。因此，我们在Tsinghua-Tencent 100K上取得了最新的技术水平，在PASCAL VOC和MS COCO上取得了极具竞争力的成绩。			Discussion:
Conclusion: 提出了一种基于特征级超分辨率的小目标检测方法。我们的方法适用于任何基于特征池的检测器。在清华-腾讯100K、PASCAL VOC和MS COCO基准上的实验验证了我们的超分辨率方法确实能够有效地检测小目标。特别是，我们的工作证明了使用适当的高分辨率目标特征提供直接监督是重要的，这些特征与低分辨率输入特征共享相同的相对接受域。		Further: 作为未来的工作，我们的模型可以通过以下几种方式进一步增强。首先，我们可以采用图像超分辨率任务中开发的最新模型来更新SR特征生成器。其次，可以自适应地选择超分辨率。虽然我们在这项工作中只使用固定的比率2，但最佳比率可能取决于RoI的特性。
Ref: