Similarity Distance-Based Label Assignment for Tiny Object Detection

微小目标检测由于目标尺寸小、信息缺乏等原因，正成为计算机视觉中最具挑战的任务之一。标签分配策略是影响目标检测准确性的关键因素。虽然有一些有效的微小目标标签分配策略，但它们大多侧重于降低对边界框的敏感性，以增加正样本的数量，并且有一些需要设置的固定超参数。然而，更多的正样本不一定会导致更好的检测结果，事实上，过多的正样本可能会导致更多的误检。本文提出了一种简单而有效的策略，称为相似距离（SimD），用于评估边界框之间的相似性。这种策略不仅考虑位置和形状相似性，还可以自适应地学习超参数，确保适应不同数据集和数据集中的各种目标尺寸。我们的方法可以简单地应用于常见的基于锚点的检测器，用于标签分配和非极大值抑制（NMS），并取代IoU。在四个主流微小目标检测数据集上进行的大量实验表明，我们的方法具有卓越的性能，特别是在AI-TOD上比现有竞争对手高出1.8个AP点和4.1个AP点。代码可在以下网址找到：\url{https://github.com/cszzshi/SimD}。

解决问题：论文旨在解决小目标检测中标签分配策略的问题，提出了一种名为Similarity Distance（SimD）的简单而有效的策略。

关键思路：SimD策略不仅考虑了位置和形状相似性，还可以自适应地学习超参数，适应不同数据集和各种目标大小。它可以简单地应用于常见的基于anchor的检测器中，代替IoU进行标签分配和非极大值抑制（NMS）。

其他亮点：论文在四个主流小目标检测数据集上进行了广泛的实验，证明了SimD策略的卓越性能，特别是在AI-TOD上比现有竞争对手高1.8个AP点和4.1个AP点。代码已经开源。

相关研究：在这个领域中，最近的相关研究包括：YOLOv4-tiny, EfficientDet-D0, FCOS等。