面向小目标检测的增强方法
计算机视觉与模式识别
2019-02-21 v1
摘要
近年来，目标检测取得了令人印象深刻的进展。尽管有这些改进，小物体与大物体检测的性能之间仍存在显著差距。我们在一个具有挑战性的数据集 MS COCO 上分析了当前最先进的模型 Mask-RCNN。我们表明，小真实目标与预测锚框之间的重叠远低于预期的 IoU 阈值。我们推测这归因于两个因素：（1）仅少数图像包含小物体；（2）即使在包含小物体的每张图像内，小物体出现次数也不足。因此我们提议对含小物体的图像进行过采样，并通过多次复制粘贴小物体来增强其中每张图像。这使我们能够权衡检测器在大物体上的质量与在小物体上的质量。我们评估了不同的粘贴增强策略，最终相较于 MS COCO 上当前最先进的方法，我们在小物体的实例分割上实现了 9.7\% 的相对提升，在目标检测上实现了 7.1\% 的相对提升。
引用
@article{arxiv.1902.07296,
title = {Augmentation for small object detection},
author = {Mate Kisantal and Zbigniew Wojna and Jakub Murawski and Jacek Naruniec and Kyunghyun Cho},
journal= {arXiv preprint arXiv:1902.07296},
year = {2019}
}