超级会员免费看
本文探讨了小目标检测的难点，分析了 yolov5 的改进点，并提出了一系列优化技巧，包括数据增强、特征融合、训练方法优化等。重点介绍了 CVPR 2022 的 QueryDet 方法，它通过级联稀疏查询在保持高分辨率下加速小目标检测，实现了精度和速度的双重提升。
2019.12.19 小目标检测难点为：
1.目标数量多，特征简单，所以需要浅层特征即可。
2.小目标物体识别竞争物体很多，负样本特别多，所以逻辑判断多，所以需要通道多，浅层特征即可。
大目标，特征间组合关系多，逻辑判断少，计算多，变数多，所以用深层特征，通道数不用那么多。
yolov5改进点：
1.把浅层特征和上采样后的特征组合起来，提升小目标检测精度。
2.小目标检测逻辑判断需要很多，所以通道数不能太少。
小目标检测算法推荐：
小目标检测算法推荐_jacke121的专栏-优快云博客_小目标识别算法
以下内容转自：
目标检测之小目标检测和遮挡问题_AndyJ的学习之旅-优快云博客_遮挡目标检测
小目标难检测原因
小目标在原图中尺寸比较小，通用目标检测模型中，一般的基础骨干神经网络（VGG系列和Resnet系列）都有几次下采样处理:
导致小目标在特征图的尺寸基本上只有个位数的像素大小，导致设计的目标检测分类器对小目标的分类效果差。
如果分类和回归操作在经过几层下采样处理的 特征层进行，小目
订阅专栏 解锁全文
扫一扫
11万+
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
