【CVPR2023】具有全局上下文增强的自适应稀疏卷积网络，用于加快无人机图像的目标检测...

论文标题：Adaptive Sparse Convolutional Networks with Global Context Enhancement for Faster Object Detection on Drone Images

代码：https://github.com/Cuogeihong/CEASC

导读

本文文着眼于解决在无人机平台上进行目标检测所面临的挑战，即需要在有限的计算资源下实现高准确性和低延迟的检测。传统的深度学习方法通常过于复杂，难以适应无人机硬件的资源限制，因此需要一种更高效的方法。

本文提出了一种全新的目标检测优化方法——全局上下文增强自适应稀疏卷积（Global Context Enhancement for Faster Object Detection，CEASC），旨在在无人机图像上实现高效目标检测。CEASC方法不仅仅适用于无人机图像目标检测，而且可以轻松扩展到各种现有目标检测器，例如RetinaNet和GFL V1，以显著降低计算成本，同时保持竞争性的准确性。

本文贡献

• 我们提出了一种基于稀疏卷积的全新检测头优化方法，即CEASC，以实现无人机的高效目标检测。这个方法为解决无人机平台上的目标检测问题提供了一种创新的途径。

• 我们引入了一种上下文增强稀疏卷积层和自适应多层掩码方案，用于优化掩码比例，实现检测准确性和效率之间的最佳平衡。通过捕获全局上下文信息，我们能够更好地处理前景区域的波动，从而改进了目标检测的性能。

• 我们对所提出的方法进行了广泛的评估，将CEASC集成到各种最新的目标检测器（例如RetinaNet和GFL V1）中，并在两个重要的无人机图像基准数据集上进行了测试。这些实验结果表明，我们的方法显著降低了计算成本，同时保持了竞争性的准确性，为无人机图像目标检测提供了一种有效的解决方案。

相关工作

通用目标检测</