《Object Detection Using ClusteringAlgorithm Adaptive Searching Regions in Aerial Images》论文10问

Q1 论文试图解决什么问题？

1. 小物体分布不均匀，主要问题是分辨率低、信息量小，导致特征表达能力弱；传统方法如放大图像，会增加处理时间和存储大型特征图所需的内存，图像统一均匀裁剪成多个区域，忽略了物体的稀疏性，可能会浪费计算资源。
2. 物体大小的多样性，如何设置锚的大小是一个很大的问题。对于无锚检测器，很难直接回归物体的宽度和高度。
3. 但是，基于锚点的检测器依赖于良好的先验锚点，而在物体尺寸变化较大的情况下，很难估计出合适的先验锚点。

Q2 这是否是一个新的问题？

不是

1. 对于小物体分布不均匀，对于小图像的处理，过去有放大图像，图像均匀裁剪等策略

Q3 这篇文章要验证一个什么科学假设？

1. 物体分布不均匀，可以将检测器集中在这些有大量物体的区域提高检测效率。
2. 物体的大小存在巨大差异，要尽可能缩小图像间物体大小的差异。

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？

4.1 检测器

主流的物体检测算法主要基于深度卷积神经网络，可分为两类：基于锚的检测器和无锚检测器。基于锚的检测器又可分为两阶段检测器和单阶段检测器两类。

1. 两阶段检测器的代表包括 R-CNN 系列 [9,10,29] 和 Mask RCNN [11]。
2. 单级检测器的代表有 SSD 系列 [7,19]、YOLO 系列 [1,26-28]、RetinaNet [17] 等。

4.2 利用深度神经网络进行航空图像检测

1. 在[34]中，研究者研究了航空图像目标检测的尺度变化，提出了一种接受域扩展块(RFEB)来增加高级语义特征的接受域大小，并提出了一种空间细化模块(SRM)来修复空间细节。
2. 文献[25]提出了一种多任务目标检测与分割模型。将分割图作为自关注机制的权重，对目标检测的特征图进行加权，减少了不相关区域的信号。

4.3 检测中的区域搜索

1. [20]的工作提出了一种自适应检测策略
2. [31,37]中的方法，首先利用聚类算法在原始数据集上得到ROI的ground truth，然后利用一个特殊的CNN对ROI进行预测，最后将ROI发送给精细检测器。
3. [42]，在特征图上采用滑动窗口法，然后计算每个窗口的难度分数，并将难度区域发送给精细检测器。
4. [8,32,33]解决了大图像中的小目标检测问题，采用强化学习方法寻找ROI进行精细检测。
5. [15]提出了一种基于密度图的航拍图像目标检测网络。

Q5 论文中提到的解决方案之关键是什么？

1. 将初始检测结果输入均值移动[39]聚类算法，可以自适应地获得图像的聚类区域，解决物体分布不均匀的问题
2. 高斯比例函数（GSF）可用于缩小大型物体和放大小型物体，解决物体尺度大小的多样性

Q6 论文中的实验是如何设计的？

6.1 消融实验

测聚类算法，难度阈值和高斯缩放函数（GSF）如何影响最终性能

Q7 用于定量评估的数据集是什么？代码有没有开源？

1. VisDrone

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？

实验结果表明，APsmall和APmedium算法有较大的改进，说明本文提出的自适应裁剪区域聚类算法对中小目标的检测有很大的帮助。