低/少样本目标检测中微调基方法的数据增强策略的深入探讨
计算机视觉与模式识别
2024-08-21 v1 人工智能
机器学习
性能
摘要
当前，低样本和少样本目标检测的方法主要致力于提高检测对象的模型性能。为实现这一目标，一种常见做法是将模型微调与数据增强策略相结合。然而，针对数据稀缺情形，这些方法的能源效率几乎没有受到关注。本文旨在进行一项全面的经验研究，检视自定义数据增强和自动数据增强选择策略在与轻量级目标检测器组合时所涉及的模型性能和能源效率。该方法在三个不同的基准数据集上进行评估，考虑其性能和能源消耗，并采用效率因子（Efficiency Factor）来洞察其在综合考虑性能和效率方面的有效性。结果表明，在许多情况下，数据增强策略的性能提升被其能源消耗的增加所掩盖，这一发现 necessitates（ necessitating）发展更具能源效率的数据增强策略以解决数据稀缺问题。
引用
@article{arxiv.2408.10940,
title = {A Closer Look at Data Augmentation Strategies for Finetuning-Based Low/Few-Shot Object Detection},
author = {Vladislav Li and Georgios Tsoumplekas and Ilias Siniosoglou and Vasileios Argyriou and Anastasios Lytos and Eleftherios Fountoukidis and Panagiotis Sarigiannidis},
journal= {arXiv preprint arXiv:2408.10940},
year = {2024}
}