QueryDet：级联稀疏query加速高分辨率下的小目标检测（代码已开源）

主要观点总结

本文主要介绍了计算机视觉研究院关于小目标检测的新方法QueryDet。文章概述了小目标检测的重要性和现有方法的不足，包括计算成本高昂的问题。然后介绍了QueryDet方法的背景、动机、框架和实验可视化等关键点。该方法旨在通过一种新颖的查询机制来加速基于特征金字塔的目标检测器的推理速度，同时提高小目标的检测性能。文章还提到了QueryDet与其他方法的比较和实验结果的展示。

关键观点总结

关键观点1: 小目标检测的重要性和现有方法的不足

小目标检测在计算机视觉任务中具有重要意义，但现有方法在计算成本高昂方面存在挑战。

关键观点2: QueryDet方法的背景、动机和框架

QueryDet方法旨在通过新颖的查询机制加速目标检测器的推理速度，同时提高小目标的检测性能。该方法利用特征金字塔范式，通过重用多尺度特征图来解决计算成本问题。

关键观点3: QueryDet的实验结果和可视化展示

实验结果表明，QueryDet在COCO和VisDrone数据集上实现了较高的检测精度和推理速度的提升。可视化展示了检测结果和查询热图，验证了QueryDet的有效性。

文章预览

关注并星标 从此不迷路 计算机视觉研究院 公众号ID ｜ ComputerVisionGzq 学习群 ｜ 扫码在主页获取加入方式 论文： https://arxiv.org/abs/2103.09136 代码（已开源）： https://github.com/ChenhongyiYang/QueryDet-PyTorch 计算机视觉研究院专栏 虽然深度学习的通用目标检测在过去几年中取得了巨大成功，但 检测小目标的性能和效率却远不能令人满意 。 01 概述 促进小目标检测 的最常见和最有效的方法是使用高分辨率图像或特征图。然而，这两种方法都会 导致计算成本高昂 ，因为计算成本会随着图像和特征大小的增加而成正比增长。 为了两全其美，研究者提出了 QueryDet ， 使用一种新颖的查询机制来加速基于特征金字塔的目标检测器的推理速度。 该流程由两个步骤组成没如下图。 首先在低分辨率特征上预测小物体的粗略位置，然后使用由这些粗略位置稀疏引导的高分辨 ………………………………