摘要
检测在宽度仅为几像素的对象上失效，这是由于结构性原因所致：随着框的边长缩小，交并比（IoU）退化为精确像素重合的指标，因此一个像素的误差就足以改变标签分配和回归梯度。我们通过完全摒弃成对的框匹配来避免陷入这种机制。相反，场景被视为关于对象中心、对数尺度和类别的非归一化正测度，训练过程通过最小化预测测度与经高斯平滑处理的标注测度之间的去偏、具备不确定性感知的不平衡最优传输散度来进行。软对应取代了硬分配，并且由于边缘分布不受约束，总置信度质量得以保留作为计数监督。第二个仅用于训练的信号源自图像本身：预测实例通过各向异性高斯足迹、共享模糊核、像素积分以及容量受限的背景被渲染回像素，随后在泊松 - 高斯噪声模型下与观测值进行比较。场景先验通过一个截断的对数空间门控引入，该门控限制了上下文抑制外观证据的程度，我们通过报告非典型位置上的召回率以及总体增益来验证这一界限。该方法在 AI-TOD-v2 验证集上达到 31.7 AP，其中包括 2–8 像素对象的 23.4 AP，以及在 SODA-D、SODA-A 和 AI-TOD-R 上分别为 36.8、37.1 和 31.2 AP，在 TinyPerson 中的微小人物检测上达到 53.6 AP。消融实验独立展示了每个组件的贡献。
