.png){kind=icon}
返回
Joint Optimization Loss Function for Tiny Object Detection in Remote Sensing Images
.png){kind=icon}
OA
AI
DOI：10.3390/rs17081476.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
微小物体检测在计算机视觉领域仍然是一个严峻的挑战。影响微小物体检测性能的因素有很多。在本文中，我们主要关注以下两个方面。首先，由于尺寸微小和标签分配策略不当，微小物体产生的正样本数量远少于较大物体，导致反向传播和模型训练过程中监督信号减弱。其次，大多数现有检测器在训练过程中直接结合分类损失和边界框回归损失。一些改进方法仅专注于分类或定位中的某一环节，导致预测结果可能存在定位精确但分类错误，或分类准确但定位不精确的潜在差异。为解决这些问题，我们提出了一种新的联合优化损失（Joint Optimization Loss, JOL），它能为每个训练样本动态分配最优权重，实现对分类损失和回归损失的联合优化。值得注意的是，JOL能无缝集成到大多数主流检测器和损失函数中，而无需修改网络架构。在五个基准数据集上进行的大量实验证明了我们方法的有效性，与当前最优方法相比，在AI-TOD和SODA-D数据集上分别实现了1.7和1.5个百分点的AP提升。
Keyword:
object detection
remote sensing images
loss function
tiny object detection
deep learning
期刊
IF:
4.1
论文数:
7.4K
被引数:
15.1W
机构
引用论文
.png){kind=icon}
Mapping Urban Areas in China Using Multisource Data With a Novel Ensemble SVM Method使用新型集成SVM方法使用多源数据绘制中国城市地区地图
PREAI
分享收藏Bridging the Gap Between Anchor-Based and Anchor-Free Detection via Adaptive Training Sample Selection通过自适应训练样本选择弥合基于锚点和无锚检测之间的差距
OAAI
OAAI分享收藏
查看更多内容