R-CNN for Small Object Detection（ACCV 2016）

论文链接：论文链接

看这篇文章是为了看小目标检测里面的 context modeling ，我认为context modeling有利于对x-ray中遮挡的物品进行检测。

动机

• 解决小目标检测性能不足的问题

解决方案

• 建立了一个针对小目标检测问题的基准数据集
• 使用context model和small region proposal generator来改进R-CNN

小目标检测数据集

SOD R-CNN

• 选择R-CNN作为研究目标的原因。R-CNN和Fast R-CNN：前者使用ss获取感兴趣的区域，然后无差别地将区域拉伸为一个固定大小的区域；而后者将原图上感兴趣的区域直接project到后面的特征图，而小目标project在后面的特征图上可能只剩下了一个像素点，失去了大部分的信息。（这个问题在FPN之后就不是问题了，FPN的浅层特征可以保证小目标有足够的空间信息）
• 修改RPN：设置更小的prior anchor；使用更小的stride；使用更浅层的特征图缩小感受野
  
  
• 利用上下文（context）。
  

  • 两个前端子网络分别以proposal region和context region（直接裁剪proposal周围的区域形成context region）作为输入，后端子网络将两个特征向量连接起来计算最终的分类分数
    

  • 图中的3x和7x表示context region的大小被设置为proposal region的3倍和7倍

  • 我们还研究了一个基于 ConvNet 的共现模型，该模型利用大物体的检测来更好地定位小物体。大小对象之间的空间关系作为可学习的参数被集成到端到端的训练框架中。但是，我们发现这种方法仅在连接到 Baseline AlexNet 时有效，在连接到两个 ContextNets 时没有任何改进

结果