ARUBA：一种架构无关的航拍目标检测平衡损失
计算机视觉与模式识别
2023-11-21 v3
摘要
深度神经网络往往会复现其训练数据集中的偏差。在目标检测中，偏差以各种不平衡的形式存在，例如类别不平衡、前景-背景不平衡以及目标尺寸不平衡。在本文中，我们将目标的尺寸定义为其在一幅图像中覆盖的像素数量，并将尺寸不平衡定义为数据集中某些尺寸目标的过度代表。我们旨在解决基于无人机航拍图像数据集中的尺寸不平衡问题。现有的解决尺寸不平衡的方法基于架构改动，利用多尺度图像或特征图来检测不同尺寸的目标。与之相反，我们提出了一种新颖的架构无关平衡损失（ARchitectUre-agnostic BAlanced Loss, ARUBA），可作为插件应用于任何目标检测模型之上。它遵循一种受目标尺寸有序性启发的邻域驱动方法。我们通过在 HRSC2016、DOTAv1.0、DOTAv1.5 和 VisDrone 等航拍数据集上的综合实验评估了我们方法的有效性，并获得了性能上的一致提升。
引用
@article{arxiv.2210.04574,
title = {ARUBA: An Architecture-Agnostic Balanced Loss for Aerial Object Detection},
author = {Rebbapragada V C Sairam and Monish Keswani and Uttaran Sinha and Nishit Shah and Vineeth N Balasubramanian},
journal= {arXiv preprint arXiv:2210.04574},
year = {2023}
}
备注
Accepted to WACV 2023