目标检测中的两大关键技术：TDMPNet与目标提议泛化

# 目标检测中的两大关键技术：TDMPNet与目标提议泛化 ## 1. TDMPNet：应对遮挡的目标分类利器 ### 1.1 自顶向下调制的污染减少效果 在目标分类任务中，遮挡问题常常影响模型的性能。TDMPNet通过自顶向下的调制机制，有效减少了遮挡对特征提取的污染。以下是不同遮挡面积和类型下，TDMPNet不同递归次数对应的污染减少百分比： | Occ. Area | Occ. Type | TDMPNet with 1 recurrence | TDMPNet with 2 recurrence | TDMPNet with 3 recurrence | TDMPNet with 4 recurrence | | --- | --- | --- | --- | --- | --- | | Level - 1: 20–40% | w | 14.1% | 16.7% | 19.8% | 19.9% | | | n | 15.2% | 17.9% | 21.1% | 21.4% | | | t | 15.7% | 18.6% | 21.9% | 22.2% | | | o | 12.5% | 13.9% | 16.0% | 15.8% | | Level - 2: 40–60% | w | 9.5% | 10.3% | 10.9% | 10.6% | | | n | 9.2% | 10.0% | 10.7% | 10.4% | | | t | 10.1% | 10.9% | 11.6% | 11.4% | | | o | 11.7% | 13.1% | 15.3% | 15.3% | | Level - 3: 60–80% | w | 11.1% | 13.0% | 15.3% | 15.6% | | | n | 11.1% | 13.1% | 15.5% | 15.8% | | | t | 12.9% | 15.3% | 17.8% | 18.2% | | | o | 10.9% | 12.1% | 14.1% | 14.2% | 从表格数据可以看出，自顶向下的递归能够基于顶层信息减少底层的污染，并且递归次数越多，污染减少效果越明显。 ### 1.2 滤波器功能分析 滤波器在TDMPNet中起着关键作用，特别是带有可见性图的滤波器对于部分匹配至关重要。通过可视化可见性图，可以清晰地看到滤波器的两个组件如何聚焦于信息丰富的部分： 1. **激活尺度增加背景过滤**：激活尺度（4(b)）增强了对4(a)中背景的过滤。 2. **特征字典进一步过滤遮挡物**：基于激活尺度的过滤，特征字典进一步对遮挡的鹦鹉（4(e)）进行过滤，并增强对几个位置（4(d)）的关注，从而得到可见性图4(c)。 3. **自顶向下递归筛选无关信息**：经过自顶向下的递归，滤波器进一步筛选出无关信息，主要聚焦于目标对象部分（4(f)）。 ### 1.3 模型的优势与应用 TDMPNet将原型、部分匹配和自顶向下调制等归纳先验集成到深度神经网络中，实现了在新颖遮挡条件下的鲁棒目标分类。该模型显著改进了当前的深度网络，与其他正则化方法结合使用时，能取得更好的效果。无论是在模拟还是真实的新颖遮挡条件下，以及在数据集迁移的情况下，TDMPNet都展现出了优越的性能。 ## 2. 目标提议的泛化：数据集与模型选择的关键影响 ### 2.1 研究背景与问题提出 目标提议生成是许多检测模型的第一步，训练一个能够泛化到未见类别的提议模型具有重要意义。为了实现这一目标，我们需要研究数据集的属性（视觉多样性和标签空间粒度）以及模型选择对提议泛化的影响。具体来说，我们关注以下几个问题： - 目标类别的哪些属性能够确保模型提议的泛化能力？ - 数据集的标签粒度是否会影响泛化？如果是，最粗的粒度是多少？ - 利用先进的检测器获取泛化提议时，哪些建模选择至关重要？ ### 2.