基于Denoising FPN与Transformer R-CNN的微小目标检测技术解析

1次阅读

没有评论

共计 1453 个字符，预计需要花费 4 分钟才能阅读完成。

在计算机视觉领域，微小目标检测一直是个老大难问题。传统的 Faster R-CNN 等检测方法在这种场景下往往会遇到几个明显的瓶颈：

特征丢失严重 ：微小目标经过多次下采样后，有效特征几乎消失殆尽
背景干扰大 ：复杂背景下噪声信号远强于目标本身
定位精度差 ：常规 Anchor 设计对小目标 IOU 计算极度敏感

为了解决这些问题，业界提出了多种特征金字塔改进方案：

标准 FPN：通过横向连接融合多层特征，但缺乏噪声抑制机制
DCN(可变形卷积)：能适应目标形变，但对微小目标的特征增强有限
PANet：增加自底向上路径，计算量显著增加

这个设计最巧妙的地方在于引入了通道注意力去噪机制：

在 FPN 的每个横向连接后加入轻量级 SE 模块
通过全局平均池化生成通道权重
对背景主导的通道进行抑制（代码示例见后）

针对微小目标的特性，我们对原始 Transformer R-CNN 做了三点适配：

使用高分辨率特征图作为 Key 的来源
设计细粒度 Query 初始锚点
在 Self-Attention 中加入相对位置编码

class DenoisingConv(nn.Module):
    def __init__(self, in_channels):
        super().__init__()
        # 使用较小卷积核避免过度平滑
        self.conv = nn.Conv2d(in_channels, in_channels, 3, padding=1)
        # SE 模块压缩比为 4
        self.se = nn.Sequential(nn.AdaptiveAvgPool2d(1),
            nn.Conv2d(in_channels, in_channels//4, 1),
            nn.ReLU(),
            nn.Conv2d(in_channels//4, in_channels, 1),
            nn.Sigmoid())

    def forward(self, x):
        return self.conv(x) * self.se(x)  # 关键点：通道级特征加权

# Transformer Encoder 中的跨尺度 Attention 计算
scale_attn = torch.softmax((q @ k.transpose(-2, -1)) / math.sqrt(dim),  # 常规 Attention 计算
    dim=-1
) @ v  # 值加权

# 添加相对位置偏置
scale_attn += relative_position_bias(  # 关键改进：保留位置信息
    q_scale=k_scale,
    max_size=32
)

在 VisDrone-2021 测试集上的表现：