Effective Fusion Factor in FPN for Tiny Object Detection

Effective Fusion Factor in FPN for Tiny Object Detection

论文地址：https://arxiv.org/pdf/2011.02298.pdf

论文发表于 2021 WACV

摘要

基于FPN的detector在一般目标检测方面取得了重大进展，例如MSCOCO和PASCAL VOC。 然而，这些检测器在某些应用场景中失败，例如微小的对象检测。 在本文中，我们认为FPN中相邻层之间的自顶向下连接对微小物体检测带来了两面影响，而不仅仅是正面的。

我们提出了一种新的概念，融合因子，用于控制深层传递到浅层的信息，使FPN适应于微小物体的检测。

经过一系列的实验和分析，我们探索如何用统计方法估计特定数据集的融合因子的有效值。 估计取决于每个层中分布的对象的数量。 对微小物体检测数据集进行了全面的实验，例如Tiny persons、和Tiny CityPersons。 我们的结果表明，当用适当的融合因子配置FPN时，网络能够在微小对象检测数据集的基线上获得显著的性能增益。

总结

以后写论文引用：

结论：调整FPN相邻层的融合因子可以自适应地推动浅层集中学习微小物体，从而提高微小物体的检测能力。

结论：融合因子受到每个层可以检测目标数量的影响，

结论：同时融合因子可以通过隐式方法进行学习。

这篇论文提出了一个重要观点，特征融合会受到数据集目标尺度分布的影响，而大多数特征融合方式都忽略了这一因素

本文得出结论：小目标大多分布在FPN的P2，P3层。

introduction

在这一部分中，作者提出了融合因子的概念，并通过暴力搜索融合因子α的取值，在COCO，VOC，TinyPerson数据集上进行验证。