摘要

检测微小目标是一项极具挑战性的任务，因为微小目标在图像中仅占据几个像素的大小。我们发现，现有的先进检测器在处理微小目标时表现不佳，其根本原因在于缺乏足够的外观信息。我们的关键观察是：基于交并比（IoU）的度量标准（如IoU本身及其扩展形式）对微小目标的位置偏移极为敏感，当应用于基于锚框（anchor-based）的检测器时，会显著降低检测性能。为缓解这一问题，我们提出了一种基于Wasserstein距离的新评估指标，用于微小目标检测。具体而言，我们首先将边界框建模为二维高斯分布，然后提出一种名为归一化Wasserstein距离（Normalized Wasserstein Distance, NWD）的新度量方法，通过其对应的高斯分布来计算两个边界框之间的相似性。所提出的NWD度量可轻松嵌入任意基于锚框的检测器的匹配策略（assignment）、非极大值抑制（NMS）以及损失函数中，以替代传统使用的IoU度量。我们在一个全新的微小目标检测数据集AI-TOD上对所提方法进行了评估，该数据集中的目标平均尺寸远小于现有目标检测数据集中的目标。大量实验结果表明，采用NWD度量后，我们的方法在性能上比标准微调基线高出6.7个AP点，比当前最先进的方法高出6.0个AP点。代码已开源，地址为：https://github.com/jwwangchn/NWD。