用于评估与缓解农田人体检测中域偏移的新数据集
计算机视觉与模式识别
2022-09-28 v1 神经与进化计算
摘要
本文评估了在知名目标检测数据集上训练的人体检测模型，在部署于训练集分布之外的数据时域偏移的影响，并基于目标域可用标注提出了缓解此类现象的方法。具体而言，我们引入了 OpenDR Humans in Field 数据集，该数据集在农业机器人应用背景下使用 Robotti 平台采集，可用于定量度量此类应用中域偏移的影响。此外，我们通过评估关于训练数据的三种不同场景来考察人工标注的重要性：a) 仅负样本，即不含人物；b) 仅正样本，即仅含人物的图像；c) 负样本与正样本均有。我们的结果表明，若对训练过程给予额外考量，即便仅使用负样本也能取得良好性能。我们还发现正样本可提升性能，尤其在更好的定位方面。该数据集已在 https://github.com/opendr-eu/datasets 公开提供下载。
引用
@article{arxiv.2209.13202,
title = {A Novel Dataset for Evaluating and Alleviating Domain Shift for Human Detection in Agricultural Fields},
author = {Paraskevi Nousi and Emmanouil Mpampis and Nikolaos Passalis and Ole Green and Anastasios Tefas},
journal= {arXiv preprint arXiv:2209.13202},
year = {2022}
}