检测微小目标是阻碍目标检测发展的主要障碍之一。通用目标检测器的性能往往会在微小目标检测任务上急剧下降。在本文中指出，Anchor-Base 的检测器中的框先验或 Anchor-Free 检测器中的点先验对于微小目标都是次优的。作者主要观察结果是，当前Anchor-Base或Anchor-Free的标签分配范式将产生许多异常的微小 GT 样本，导致检测器对微小目标的关注较少。

为此，作者提出了一种基于高斯感受野的标签分配（RFLA）策略来检测微小目标。具体来说，RFLA 首先利用了特征感受野服从高斯分布的先验信息。然后，提出了一种新的感受野距离（RFD）来直接测量高斯感受野和 GT 之间的相似性，而不是使用 IoU 或中心采样策略分配样本。

考虑到基于 IoU 阈值和中心采样策略偏向于大目标，作者进一步设计了基于 RFD 的分层标签分配 (HLA) 模块，以实现对小目标的平衡学习。

在4个数据集上进行的大量实验证明了所提出方法的有效性。特别是，RFLA 在 AI-TOD 数据集上以 4.0 AP 点的成绩优于最先进的竞争对手。

论文链接：

https://arxiv.org/abs/2208.08738

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