深度学习目标检测中前景-背景不平衡问题的系统性研究
计算机视觉与模式识别
2023-06-30 v1 人工智能
摘要
深度学习中的类别不平衡问题已在若干研究中被探讨，但针对目标检测中该现象的系统性分析尚属空白。在此，我们对目标检测中非常常见且由小而稀少的目标物体所引起的前景-背景（F-B）不平衡问题给出全面的分析与实验。我们通过实验研究了 F-B 不平衡的不同方面（物体尺寸、物体数量、数据集规模、物体类型）对检测性能的影响。此外，我们还比较了 9 种解决该问题的主流方法，包括 Faster-RCNN、SSD、OHEM、Libra-RCNN、Focal-Loss、GHM、PISA、YOLO-v3 和 GFL，所用数据集涵盖不同成像领域。我们得出结论：（1）F-B 不平衡确实会导致检测性能显著下降；（2）当可用训练数据较少时，检测性能受 F-B 不平衡影响更大；（3）在大多数情况下，在物体像素与非物体像素比例相同变化下，减小物体尺寸比减少物体数量导致更大的性能下降；（6）在所有选定方法中，Libra-RCNN 与 PISA 在解决 F-B 不平衡问题上表现最佳；（7）当训练数据集规模较大时，方法的选择无显著影响；（8）软采样方法，包括 focal-loss、GHM 与 GFL，平均表现相当好但不相对稳定。
引用
@article{arxiv.2306.16539,
title = {A systematic study of the foreground-background imbalance problem in deep learning for object detection},
author = {Hanxue Gu and Haoyu Dong and Nicholas Konz and Maciej A. Mazurowski},
journal= {arXiv preprint arXiv:2306.16539},
year = {2023}
}