基于超分辨率辅助分支的小目标检测

近年来，多尺度特征学习[29]、[30]和基于上下文的检测[31]等方法被广泛应用于提升小目标检测性能。这些方法着重于增强网络在不同尺度上的信息表示能力，却忽略了高分辨率上下文信息的保留。

超分辨率技术(SR)作为一种预处理步骤，已在多种目标检测任务中展现出有效性和高效性[32]，[33]。Shermeyer等人[34]通过多分辨率遥感图像(RSI)量化了超分辨率对卫星成像检测性能的影响。Courtrai等人[35]利用生成对抗网络（GANs）结合超分辨率生成高分辨率图像，并将其输入检测器以提升检测性能。Rabbi等人[36]利用Laplacian算子从输入图像中提取边缘，增强了重建高分辨率图像的能力，从而提高了目标定位和分类的性能。Hong等人[37]引入了一个循环一致的GAN结构作为超分辨率网络，并修改了Faster R-CNN架构来检测由超分辨率网络生成的增强图像中的车辆。

上述工作表明，超分辨率结构的采用有效地解决了小目标带来的挑战。然而，与单一检测模型相比，超分辨率方法引入了额外的计算量，这是由于高分辨率设计增加了输入图像的尺度。

最近，Wang等人[38]提出了一个超分辨率模块，该模块可以在分割任务中保持高分辨率表示，同时减少模型计算量。受[38]的启发，我们设计了一个超分辨率辅助分支。与前述工作中超分辨率在起始阶段实现不同，该辅助超分辨率模块指导检测器学习高质量的高分辨率表示，不仅增强了对小而密集目标的响应，还提高了空间目标检测性能。此外，超分辨率模块在推理阶段被移除，以避免额外的计算。

本文的主要贡献如下:

提出了一种基于超分辨率辅助分支的小目标检测方法。* 该方法能够有效地增强小目标的特征表示，并在不增加推理时间的情况下提高检测精度。* 在公开数据集上的实验结果验证了该方法的有效性。