【论文速看】DL最新进展20240927-目标检测、Transformer

【目标检测】

[2024小目标检测] A DeNoising FPN With Transformer R-CNN for Tiny Object Detection

论文链接：https://arxiv.org/abs/2406.05755

代码链接：https://github.com/hoiliu-0801/DNTR

尽管计算机视觉领域取得了显著进展，但精确检测微小物体仍然是一个重大挑战，这主要是因为这些物体在图像数据中的像素表示非常微小。这一挑战在地球科学和遥感领域尤为突出，高保真地检测微小物体可以促进从城市规划到环境监测的各种应用。文中提出了一种新的框架，即DeNoising FPN with Trans R-CNN (DNTR)，以提升微小物体检测的性能。DNTR由一个易于插入的设计模块DeNoising FPN (DN-FPN)和一个高效的基于Transformer的检测器Trans R-CNN组成。具体来说，特征金字塔网络中的特征融合对于检测多尺度对象非常重要。然而，由于不同尺度特征之间缺乏正则化，融合过程中可能会产生噪声特征。因此，引入了DN-FPN模块，利用对比学习来抑制FPN自上而下路径中每个层级特征的噪声。其次，基于双阶段框架，用新颖的Trans R-CNN检测器替代了过时的R-CNN检测器，以自注意力机制聚焦于微小物体的表示。实验结果表明，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%。