虽然在过去的几年中，基于深度学习的通用目标检测已经取得了巨大的成功，但在检测小目标的性能和效率方面却远远不能令人满意。推广小目标检测最常见和有效的方法是使用高分辨率图像或特征图。然而，这两种方法都会导致昂贵的计算，因为计算成本会随着图像和特征大小的增加而增加。

我们提出了 QueryDet，它使用一种新颖的查询机制来加快基于特征金字塔的目标检测器的推断速度。该 pipeline 由两个步骤组成:首先在低分辨率特征上预测小目标的粗定位，然后利用这些粗位置稀疏引导的高分辨率特征计算出准确的检测结果。这样既可以获得高分辨率 feature map 的 benefit，又可以避免对背景区域使用较少的计算量。

在 popular COCO 数据集上，该方法将 mAP 提高了 1.0，mAP-small 提高了2.0，将高分辨率的推理速度平均提高到 3.0×。在包含更多小对象的 VisDrone 数据集上，我们获取了新的 SOTA，同时获得了平均 2.3× 高分辨率的加速。

论文标题：QueryDet: Cascaded Sparse Query for Accelerating High-Resolution for Small Object Detection

论文链接：https://arxiv.org/abs/2103.09136

代码链接：https://github.com/ChenhongyiYang/QueryDet-PyTorch

 

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