摘要
检测微小目标是制约目标检测技术发展的主要障碍之一。通用目标检测器在微小目标检测任务上的性能往往显著下降。本文指出，在基于锚框（anchor-based）的检测器中，锚框先验（box prior）以及在无锚框（anchor-free）检测器中使用的点先验（point prior），均难以有效适应微小目标的特性。我们的关键观察是：当前基于锚框或无锚框的标签分配范式会引入大量尺寸极小的真实标注样本作为异常值（outlier），导致检测器对微小目标的关注度降低。为解决该问题，本文提出一种基于高斯感受野（Gaussian Receptive Field）的标签分配策略（Receptive Field Label Assignment, RFLA），专门用于微小目标检测。具体而言，RFLA首先利用特征感受野服从高斯分布的先验知识；随后，摒弃传统的基于IoU或中心采样（center sampling）的标签分配方式，提出一种新的感受野距离（Receptive Field Distance, RFD），用于直接衡量高斯感受野与真实标注之间的相似性。考虑到传统的基于IoU阈值和中心采样策略天然偏向于大尺寸目标，我们进一步设计了一种基于RFD的分层标签分配（Hierarchical Label Assignment, HLA）模块，以实现对微小目标的均衡学习。在四个公开数据集上的大量实验验证了所提方法的有效性。尤其在AI-TOD数据集上，我们的方法相比当前最先进方法取得了4.0个AP点的显著提升。相关代码已开源，地址为：https://github.com/Chasel-Tsui/mmdet-rfla。