Faster R-CNN 在人机协同搜索中的评估
计算机视觉与模式识别
2019-04-08 v1 人机交互
机器人学
摘要
随着由深度学习驱动、辅助人类专家（如放射科医生、皮肤科医生、监控扫描员）的现代专家系统的出现，我们分析了此类专家系统如何以及在何时提升人类在细粒度小目标视觉搜索任务中的表现。我们设计了一个双场次因子实验，让人类在有无深度学习（DL）专家系统辅助的情况下进行目标视觉搜索。我们评估了在 DL 系统存在时人类目标检测表现与眼动的变化。我们发现，使用 DL 系统（通过带有 VGG16 的 Faster R-CNN 计算）带来的表现提升与观察者的感知能力（如灵敏度）存在交互作用。主要结果包括：1）DL 系统使高/低灵敏度观察者组的平均每张图像误报率降低；2）仅高灵敏度人类观察者表现优于 DL 系统，而低灵敏度组即使借助 DL 系统本身也未超越单个 DL 系统的表现；3）试验次数增加与观看时间减少主要由 DL 系统引起，且仅见于低灵敏度组；4）DL 系统辅助人类观察者在第 3 次注视时 fixation 于目标。这些结果揭示了与人类协作或竞争的深度学习系统的益处与局限。
引用
@article{arxiv.1904.02805,
title = {Assessment of Faster R-CNN in Man-Machine collaborative search},
author = {Arturo Deza and Amit Surana and Miguel P. Eckstein},
journal= {arXiv preprint arXiv:1904.02805},
year = {2019}
}
备注
To be presented at CVPR 2019 in Long Beach, CA