A DeNoising FPN With Transformer R-CNN for Tiny Object Detection

尽管计算机视觉领域取得了显著的进展，但精确检测微小物体仍然是一个重大挑战，这主要是由于图像数据中这些物体被分配的微小像素表示。在地球科学和遥感领域，微小物体的高保真检测可以促进从城市规划到环境监测等各种应用。在本文中，我们提出了一个新的框架，即DeNoising FPN with Trans R-CNN（DNTR），以提高微小物体检测的性能。DNTR由一个易于插入的设计DeNoising FPN（DN-FPN）和一个有效的基于Transformer的检测器Trans R-CNN组成。具体而言，特征金字塔网络中的特征融合对于检测多尺度物体非常重要。但是，由于不同尺度的特征之间没有正则化，因此在融合过程中可能会产生噪声特征。因此，我们引入了一个DN-FPN模块，利用对比学习来抑制FPN自顶向下路径中每个级别的特征中的噪声。其次，基于两阶段框架，我们用一种新颖的Trans R-CNN检测器替换了过时的R-CNN检测器，以便专注于具有自我关注的微小物体的表示。实验结果表明，我们的DNTR在AI-TOD数据集上的APvt至少比基线提高了17.4％，在VisDrone数据集上的AP至少提高了9.6％。我们的代码将在https://github.com/hoiliu-0801/DNTR上提供。

提高遥感图像中微小目标检测的准确性，解决由于像素表示不足而导致的挑战。

提出了一种新的框架DNTR，包括DeNoising FPN和Trans R-CNN两个模块。其中，DN-FPN模块利用对比学习抑制FPN中不同尺度特征之间的噪声，Trans R-CNN模块则使用自注意力机制，提高小目标的表示能力。

实验结果表明，DNTR在AI-TOD和VisDrone数据集上的表现均优于基线模型，APvt提高了至少17.4％，AP提高了9.6％。作者提供了代码。

最近的相关研究包括：YOLOv4、EfficientDet、CornerNet-Lite等。