如果图像包含大量噪声，小目标检测变得更加困难，这在真实环境中很常见。主要原因是 小物体上的视觉信噪比非常低，难以提取丰富的特征进行检测。
       我们提出了一个以自监督方式训练的特征增强网络（FEN）。FEN 从输入图像中获取 其值被随机擦除的 特征，然后通过 聚合相邻值 来预测擦除的值。该方案使 FEN 能够使用周围值改进特征，这对于在测试阶段 从小目标区域 丰富特征 有很大的影响。
       为了验证对噪声图像中小目标检测的鲁棒性，采用航空图像中的车辆检测 作为主要目标任务。
       与传统的物体检测相比，小物体检测任务具有几个不同的特征。例如，无人机或飞机拍摄的航拍图像覆盖范围很广，因此，图像中物体的大小比传统图像要小得多。此外，随着目标检测数据集的类类别变得更加细分，小目标出现的频率也更高。小物体的基于深度 CNN 的特征很容易消失或与周围环境融合，从而难以正确定位物体区域。
       与大物体相比，小物体更容易受到噪音的影响。
       
       有两类方法可以提高小目标检测的性能。第一类是通过 数据增强 来增加小目标的训练样本。这些方法从数据集中的图像中切割出小物体的区域，然后将它们放入其他背景图像中以生成合成数据。第二种方法是 改进网络流程或训练策略。
       FEN 的主要优势是 以自监督的方式 提高从噪声图像中提取的特征的判别能力，这不需要任何人工注释。此外，我们的方法是一种通用技术，可以与各种现成的目标检测器无缝结合。
       Contributions：i）提出了一个 特征增强网络（FEN）来应对小目标检测中的噪声。 
                               ii）引入了一种简单而有效的 自监督方法 来训练没有任何人工标签的 FEN，可以与各种现成的目标检测器无缝结合。 
       特征增强网络：在学习了 Θk 之后， FEN 可以在推理步骤中适用于任意大小的特征，而无需裁剪。增强的特征 fk 用作目标检测器以下模块（即 RPN、Head）的输入。
       自监督学习训练FEN： 自监督学习丰富小物体的特征。我们的 FEN 是在特征空间上执行的。
                       软掩码实现：使用 (2) 进行训练的局限性在于，由于二进制掩码 Mk，只能利用 FEN 的 部分预测来更新 Θk。使用soft mask 软掩码使得 FEN 的所有预测都用于更新 Θk，从而实现有效的训练。
       
       两阶段学习目标检测器：FEN 基于自监督学习，因此可以独立训练。然而，为了与目标检测器无缝结合，我们提出了一种两阶段学习方法，交替更新 目标检测器的权重和 FEN 的 Θk。固定的 FEN 增强了基于 CNN 的有噪声的深度特征，然后将它们传递到目标检测器的以下模块（即 RPN、Head）。之后，目标检测器的权重是固定的，FEN 的 Θk 通过自监督学习更新，如第 II-B 节所述。
       FEN 的最终目标是 通过增强来自 噪声输入的特征 来提高目标检测模型的性能。
       DOTA数据集：与现有的两种方法不同，FEN是在特征空间中执行的，并且 表现出更大的性能改进，主要是在应用于高层特征时。当所有较低层的 FEN 全部使用时，性能略有下降。
       FEN 的性能可能会受到输入图像中的 噪声水平和类型 的影响。与基线结果相比，噪声本身的存在会降低性能，但我们提出的 FEN  在所有情况下都能持续提高检测性能。 FEN 对自然噪声也具有鲁棒性。
       较高的 τ 使我们的自监督学习问题更加困难。当 τ = 0.5 时检测性能最佳。
       FEN 也可以与这些检测器很好地结合，并不断提高噪声图像中的小物体检测性能。因此，所提出的 FEN 是一种通用技术，可用于各种目标检测器。
       与现有的图像级去噪方法相比，我们的方法在小物体中表现出更高的激活，并且可以很好地找到边界框。当待检测物体的尺寸较小时，处理噪声是一个关键问题。
       Conclusion：提出了一种特征增强网络（FEN）来提高小物体检测的性能，尤其是在噪声图像中。与现有的小目标检测不同，我们研究了图像噪声对小目标检测性能下降的影响。FEN 通过自监督学习进行训练，可以处理各种噪声类型，并且可以与各种检测器无缝结合。我们相信 FEN 可以与其他识别任务以及大多数现有的目标检测器集成。

FEN Self-Supervised Feature Enhancement Networks for Small Object Detection in Noisy Images相关推荐

  1. PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection

    PVANET: Deep but Lightweight Neural Networks for Real-time Object Detection 传送门:      论文:https://www ...

  2. 【文献阅读】Perceptual Generative Adversarial Networks for Small Object Detection –CVPR-2017

    Perceptual Generative Adversarial Networks for Small Object Detection 2017CVPR 新鲜出炉的paper,这是针对small ...

  3. 【论文笔记】Region-based Convolutional Networks for Accurate Object Detection and Segmentation

    <Region-based Convolutional Networks for Accurate Object Detection and Segmentation>是将卷积神经网络应用 ...

  4. 【论文笔记】：Enriched Feature Guided Refinement Network for Object Detection

    &Title Enriched Feature Guided Refinement Network for Object Detection 代码 中文翻译 &Summary 提出了一 ...

  5. 【论文阅读笔记】MFRDet：A single-shot multi-level feature reused neural network for object detection

    论文名:A single-shot multi-level feature reused neural network for object detection 引用:Wei L, Cui W, Hu ...

  6. Extended Feature Pyramid Network for Small Object Detection

    Extended Feature Pyramid Network for Small Object Detection 论文链接:https://arxiv.org/abs/2003.07021v1 ...

  7. 论文精读《OFT: Orthographic Feature Transform for Monocular 3D Object Detection》

    OFT: Orthographic Feature Transform for Monocular 3D Object Detection 文章目录 OFT: Orthographic Feature ...

  8. 【论文翻译】Orthographic Feature Transform for Monocular 3D Object Detection

    标题:<Orthographic Feature Transform for Monocular 3D Object Detection> 作者:Thomas Roddick, Alex ...

  9. 论文翻译之Enriched Feature Guided Refinement Network for Object Detection

    摘要 我们提出了一个单阶段检测框架,该框架解决了多尺度目标检测和类不平衡的问题.我们没有设计更深层的网络,而是引入了一种简单而有效的特征丰富化方案来生成多尺度的上下文特征.我们进一步引入了一种级联的优 ...

最新文章

  1. Linux环境下安装nginx
  2. 使用AdMob实现广告统一
  3. ASP.NET 无限级分类实现实例（深度字段）
  4. html flash 动画效果代码大全,flash动作代码大全
  5. [1197]约瑟夫问题 （循环链表）SDUT
  6. DFS应用——遍历无向图
  7. packt_Packt和Java Code Geeks提供的$ 5 Java编程书籍！
  8. Android获取本机号码及运营商
  9. ZOJ 1004 Anagrams by Stack（DFS+数据结构）
  10. Arcpy报错及解决——持续补充中
  11. 场地测量的方法和程序_施工测量方案
  12. JAVA POI导出Excel文件并添加水印
  13. php exif信息,显示照片exif信息PHP代码
  14. win7计算机系统还原,win7怎么系统还原 还原步骤详解
  15. java模拟简单的qq聊天_初学java之模拟QQ聊天软件（简单实现）
  16. js-----词法分析过程
  17. vue的基础知识-vue基础入门
  18. 直播带货行业如何入局？先了解一下直播商城源码吧
  19. 乡村振兴公益基金启动暨古茶树非遗保护公益行发布
  20. 开源阅读书源_开源阅读畅读全网图书 有声读物

热门文章

  1. 菜鸟也想玩搜索引擎——爬虫部分技术要点浅析
  2. 市值缩水到仅剩6.55亿美元，深陷亏损泥沼优信还能抽身么？
  3. Sofia-SIP辅助文档二四 - Sofia SIP用户代理库 - features特性模块
  4. stm32f的一些问题
  5. ICT架构体系详细说明【3】
  6. EFR32修改开发板VCOM串口波特率的方法
  7. 打包后的apk微信分享依然失败
  8. python random.sample()和random.choices()
  9. 小程序获取手机验证码
  10. 服务器空间网页游戏,云服务器可以用来挂网页游戏吗?