Deep-NFA: A deep a contrario framework for tiny object detection
Deep-NFA : un cadre a contrario profond pour la détection de petits objets
Résumé
The detection of tiny objects is a challenging task in computer vision. Conventional object detection methods have difficulties in finding the balance between high detection rate and low false alarm rate. In the literature, some methods have addressed this issue by enhancing the feature map responses for small objects, but without guaranteeing robustness with respect to the number of false alarms induced by background elements. To tackle this problem, we introduce an a contrario decision criterion into the learning process to take into account the unexpectedness of tiny objects. This statistic criterion enhances the feature map responses while controlling the number of false alarms (NFA) and can be integrated as an add-on into any semantic segmentation neural network. Our add-on NFA module not only allows us to obtain competitive results for small target, road crack and ship detection tasks respectively, but also leads to more robust and interpretable results.
La détection de petits objets est une tâche difficile dans le domaine de la vision par ordinateur. Les méthodes conventionnelles de détection d'objets ont des difficultés à trouver l'équilibre entre un taux de détection élevé et un faible taux de fausses alarmes. Dans la littérature, certaines méthodes ont abordé ce problème en améliorant les réponses de la carte des caractéristiques pour les petits objets, mais sans garantir la robustesse en ce qui concerne le nombre de nombre de fausses alarmes induites par les éléments de l'arrière-plan. Pour résoudre ce problème, nous introduisons un critère de décision a contrario dans le processus d'apprentissage afin de prendre en compte la caractère imprévu des petit objets. Ce critère statistique améliore les réponses des cartes de caractéristiques tout en contrôlant le nombre de fausses alarmes (NFA) et peut être intégré en tant que complément à tout réseau de segmentation sémantique. Notre module complémentaire NFA nous permet non seulement d'obtenir des résultats compétitifs pour les tâches de détection de petites cibles et de fissures, respectivement, mais aussi d'obtenir des résultats plus robustes et interprétables.
| Origine | Publication financée par une institution |
|---|---|
| Licence |
