《Density Map Guided Object Detection in Aerial Images》论文10问

《Density Map Guided Object Detection in Aerial Images》论文10问

Q1 论文试图解决什么问题？

1. 目标大小变化很大，目前解决尺度变化问题的方式无法利用语义信息进行裁剪，因此导致大部分裁剪对象只有背景。此外，这些策略可能会将大型物体裁剪成两个或多个不同的裁剪对象
2. 目标分布不均匀，如何进行合理的图像裁剪

Q2 这是否是一个新的问题？

不是、

1. 为解决尺度变化问题，有人提出如 均匀裁剪[15]和随机裁剪等方法。在大多数情况下，这些简单的裁剪策略有助于提高小物体的检测精度
2. 近期最先进的方法利用密度图的力量来估计场景中的人员分布，并取得了可喜的成绩。这启发我们探索物体密度图在生成航空图像物体检测作物中的作用。

Q3 这篇文章要验证一个什么科学假设？

1. 探索物体密度图在生成航空图像物体检测裁减中的作用。

Q4 有哪些相关研究？如何归类？谁是这一课题在领域内值得关注的研究员？

1. 基于提议的检测器引入了多阶段锚点的概念，Fast R-CNN,Faster R-CNN
2. 同时执行检测和实例分割任务:Mask R-CNN,拓展了Faster-RCNN
3. 单阶段检测器跳过建议阶段，直接在采样区域上进行检测:YOLO 3 [16]，SSD [14]和RetinaNet [11]
4. 一些目标检测任务可能会遇到数据不平衡的问题。为了解决这个问题，RetinaNet [11]引入了焦点损失
5. 提高小物体的检测性能
6. 对抗视点变化引起的尺度变化
7. 为了提高基于密度图的计数的性能:[29]提出了几何自适应和固定内核与高斯卷积生成密度图。[10]引入基于VGG 16的扩张卷积神经网络,引入尺度保持和自适应网络。[21]捕获原始图像中的像素级相似性，并实现局部线性嵌入算法来估计密度图，[22]引入由流形学习激发的稀疏约束。

Q5 论文中提到的解决方案之关键是什么？

1. 通过网络生成密度图，设置阈值，根据目标密度体现的像素强度过滤掉没有对象或对象有限的区域中的像素。可解决目标分布不均匀，如何进行合理裁剪的问题，也可以去除噪声，避免对象检测器在低分辨率裁剪低效率执行

Q6 论文中的实验是如何设计的？

6.1 比赛

测试了不同骨干网络在特定数据集的效果

6.2 消融实验

1. Density threshold.
2. Comparison with uniform crops.
3. Contribution of density crop detection.

Q7 用于定量评估的数据集是什么？代码有没有开源？

7.1 数据集

VisionDrone 2018 [30] and UAVDT [4].

开源否

Q8 论文中的实验及结果有没有很好地支持需要验证的科学假设？

密度裁剪图像检测主要对 APsmall 和 APmid 有贡献，因为在这两类图像上观察到了较大的性能改进。

Q9 这篇论文到底有什么贡献？

1. 我们首次将密度图引入航空图像物体检测，提出了基于密度图的裁剪方法，利用物体之间的空间和上下文信息提高检测性能。-
2. 作为 [26] 的替代方案，我们提出了一种无需额外训练深度神经网络即可生成图像裁剪的有效算法。-
3. 广泛的实验表明，所提出的方法在具有代表性的航空图像数据集（包括 VisionDrone [30] 和 UAVDT [4]）上达到了最先进的性能。