《Density Map Guided Object Detection in Aerial Images》論文10問
Q1 論文試圖解決什麼問題？
- 目標大小變化很大，目前解決尺度變化問題的方式無法利用語義資訊進行裁剪，因此導致大部分裁剪物件只有背景。此外，這些策略可能會將大型物體裁剪成兩個或多個不同的裁剪物件
- 目標分佈不均勻，如何進行合理的影像裁剪
Q2 這是否是一個新的問題？
不是、
- 為解決尺度變化問題，有人提出如 均勻裁剪[15]和隨機裁剪等方法。在大多數情況下，這些簡單的裁剪策略有助於提高小物體的檢測精度
- 近期最先進的方法利用密度圖的力量來估計場景中的人員分佈，並取得了可喜的成績。這啟發我們探索物體密度圖在生成航空影像物體檢測作物中的作用。
Q3 這篇文章要驗證一個什麼科學假設？
- 探索物體密度圖在生成航空影像物體檢測裁減中的作用。
Q4 有哪些相關研究？如何歸類？誰是這一課題在領域內值得關注的研究員？
- 基於提議的檢測器引入了多階段錨點的概念，Fast R-CNN,Faster R-CNN
- 同時執行檢測和例項分割任務:Mask R-CNN,擴充了Faster-RCNN
- 單階段檢測器跳過建議階段，直接在取樣區域上進行檢測:YOLO 3 [16]，SSD [14]和RetinaNet [11]
- 一些目標檢測任務可能會遇到資料不平衡的問題。為了解決這個問題，RetinaNet [11]引入了焦點損失
- 提高小物體的檢測效能
- 對抗視點變化引起的尺度變化
- 為了提高基於密度圖的計數的效能:[29]提出了幾何自適應和固定核心與高斯卷積生成密度圖。[10]引入基於VGG 16的擴張卷積神經網路,引入尺度保持和自適應網路。[21]捕獲原始影像中的畫素級相似性，並實現區域性線性嵌入演算法來估計密度圖，[22]引入由流形學習激發的稀疏約束。
Q5 論文中提到的解決方案之關鍵是什麼？
- 透過網路生成密度圖，設定閾值，根據目標密度體現的畫素強度過濾掉沒有物件或物件有限的區域中的畫素。可解決目標分佈不均勻，如何進行合理裁剪的問題，也可以去除噪聲，避免物件檢測器在低解析度裁剪低效率執行
Q6 論文中的實驗是如何設計的？
6.1 比賽
測試了不同骨幹網路在特定資料集的效果
6.2 消融實驗
- Density threshold.
- Comparison with uniform crops.
- Contribution of density crop detection.
Q7 用於定量評估的資料集是什麼？程式碼有沒有開源？
7.1 資料集
VisionDrone 2018 [30] and UAVDT [4].
開源否
Q8 論文中的實驗及結果有沒有很好地支援需要驗證的科學假設？
密度裁剪影像檢測主要對 APsmall 和 APmid 有貢獻，因為在這兩類影像上觀察到了較大的效能改進。
Q9 這篇論文到底有什麼貢獻？
- 我們首次將密度圖引入航空影像物體檢測，提出了基於密度圖的裁剪方法，利用物體之間的空間和上下文資訊提高檢測效能。-
- 作為 [26] 的替代方案，我們提出了一種無需額外訓練深度神經網路即可生成影像裁剪的有效演算法。-
- 廣泛的實驗表明，所提出的方法在具有代表性的航空影像資料集（包括 VisionDrone [30] 和 UAVDT [4]）上達到了最先進的效能。