Boosting R-CNN：通过 RPN 误差对 R-CNN 样本重加权用于水下目标检测
计算机视觉与模式识别
2022-10-06 v3
摘要
复杂的水下环境给目标检测带来新挑战，如光照不均、低对比度、遮挡和水生生物拟态。在这些情况下，水下相机捕捉的物体会变得模糊，通用检测器常在这些模糊物体上失效。本工作旨在从不确定性建模和困难样本挖掘两个角度解决问题。我们提出一种名为 boosting R-CNN 的两阶段水下检测器，包含三个关键组件。首先，提出一种新的区域提议网络 RetinaRPN，它提供高质量提议，并考虑目标性和 IoU 预测的不确定性以建模物体先验概率。其次，引入概率推理流程，将第一阶段先验不确定性和第二阶段分类分数结合以建模最终检测分数。最后，我们提出一种名为 boosting reweighting 的新困难样本挖掘方法。具体而言，当区域提议网络对样本的物体先验概率误算时，boosting reweighting 会在训练期间增加该样本在 R-CNN head 中的分类损失，同时降低先验估计准确的简单样本的损失。从而可获得第二阶段鲁棒的检测头。在推理阶段，R-CNN 有能力纠正第一阶段的误差以提升性能。在两个水下数据集和两个通用目标检测数据集上的综合实验证明了我们方法的有效性和鲁棒性。
引用
@article{arxiv.2206.13728,
title = {Boosting R-CNN: Reweighting R-CNN Samples by RPN's Error for Underwater Object Detection},
author = {Pinhao Song and Pengteng Li and Linhui Dai and Tao Wang and Zhan Chen},
journal= {arXiv preprint arXiv:2206.13728},
year = {2022}
}