本文分析了小目标检测中使用IoU的最大缺点，对于位置的微小变化太过敏感，因此提出了一种新的度量包围框相似度的方法，用来替换IoU，从实验结果来看，效果也是非常的明显。

论文标题：

A Normalized Gaussian Wasserstein Distance for Tiny Object Detection

论文链接：

https://arxiv.org/abs/2110.13389

摘要：检测小目标是个很大的挑战，因为小目标一般在尺寸上只占据很少的像素，目前的最好的物体检测器也无法在小目标上取得满意的效果，因为缺少明显的信息量。我们发现，目前的基于IoU的度量方法，对于小目标的位置的变化非常的敏感，因此，当我们在使用基于anchors的方法时，会明显的使得检测结果。为了减轻这个影响，我们对于小目标，提出了基于Wasserstein距离的度量方式。具体来说，我们先对包围框建模成一个2D的高斯分布，然后提出一个新的度量方式，叫做Normalized Wasserstein Distance (NWD) ，来计算对应的高斯分布之间的相似度。我们提出的这个NWD度量方式可以非常容易的嵌入到基于anchor的检测器的标签分配，非极大值抑制，以及损失函数中，替代常用的IoU的度量。我们在一个新的小目标检测数据集上评估了我们的这个度量方式，在这个数据集中，目标的平均尺寸要比现有的物体检测数据集的物体尺寸要小的多。广泛的实验表明，当使用了NWD的度量方式后，我们的方法要比baseline高6.7AP，相比于SOTA也高6AP。

本文的贡献总结如下：

  • 我们分析了IoU对于小目标的敏感性，提出了NWD，作为一个更好的度量框之间相似度的指标。
  • 我们将NWD用到了标签分配，NMS和损失函数中，设计出了一个强大的物体检测器。
  • 我们提出的方法可以显著的提升TOD数据集上的表现，在Faster RCNN上，可以提升11.1%到17.6%。

内容中包含的图片若涉及版权问题，请及时与我们联系删除