Detecting tiny objects is a very challenging problem since a tiny object only contains a few pixels in size. We demonstrate that state-of-the-art detectors do not produce satisfactory results on tiny objects due to the lack of appearance information. Our key observation is that Intersection over Union (IoU) based metrics such as IoU itself and its extensions are very sensitive to the location deviation of the tiny objects, and drastically deteriorate the detection performance when used in anchor-based detectors. To alleviate this, we propose a new evaluation metric using Wasserstein distance for tiny object detection. Specifically, we first model the bounding boxes as 2D Gaussian distributions and then propose a new metric dubbed Normalized Wasserstein Distance (NWD) to compute the similarity between them by their corresponding Gaussian distributions. The proposed NWD metric can be easily embedded into the assignment, non-maximum suppression, and loss function of any anchor-based detector to replace the commonly used IoU metric. We evaluate our metric on a new dataset for tiny object detection (AI-TOD) in which the average object size is much smaller than existing object detection datasets. Extensive experiments show that, when equipped with NWD metric, our approach yields performance that is 6.7 AP points higher than a standard fine-tuning baseline, and 6.0 AP points higher than state-of-the-art competitors.


翻译:检测小物体是一个非常具有挑战性的问题,因为一个小物体只包含几个大小像素。 我们证明,由于缺乏外观信息,最先进的探测器无法在小物体上产生令人满意的结果。 我们的主要观察是,基于联盟(IoU)的交叉测量仪(IoU)本身及其扩展对于小物体的位置偏差非常敏感,并且在使用以锚为基础的探测器时会大大降低探测性能。 为了缓解这一点,我们建议使用瓦瑟斯坦距离的新评价度量度,用于小物体探测。 具体地说,我们首先用2D高斯丹的分布模型来模拟捆绑框,然后提出一个新的称为正常瓦瑟斯坦距离(NWD)的公制标准, 以测量它们之间的相似性能, 例如IO(IO)和NWD(NWD)之间的相距比标准要小得多。 拟议的NWD指标可以很容易嵌入任何以锚为基础的探测器的任务、非最大抑制力和损失功能, 以取代常用的IOU测量性能度。 我们用新的小物体探测数据集的测量度(AI-TOD)的测量标准。 在平均物体的实验中, 标准上, 水平比我们的平均物体的实验比标准要小得多。

0
下载
关闭预览

相关内容

专知会员服务
32+阅读 · 2021年9月16日
【CVPR2021】用于目标检测的通用实例蒸馏
专知会员服务
23+阅读 · 2021年3月22日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Disentangled的假设的探讨
CreateAMind
9+阅读 · 2018年12月10日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
Focal Loss for Dense Object Detection
统计学习与视觉计算组
11+阅读 · 2018年3月15日
动手写机器学习算法:异常检测 Anomaly Detection
七月在线实验室
11+阅读 · 2017年12月8日
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Arxiv
9+阅读 · 2021年3月3日
Augmentation for small object detection
Arxiv
11+阅读 · 2019年2月19日
Zero-Shot Object Detection
Arxiv
9+阅读 · 2018年7月27日
Arxiv
5+阅读 · 2018年5月16日
Arxiv
5+阅读 · 2018年4月17日
VIP会员
相关论文
Arxiv
9+阅读 · 2021年3月3日
Augmentation for small object detection
Arxiv
11+阅读 · 2019年2月19日
Zero-Shot Object Detection
Arxiv
9+阅读 · 2018年7月27日
Arxiv
5+阅读 · 2018年5月16日
Arxiv
5+阅读 · 2018年4月17日
Top
微信扫码咨询专知VIP会员