BugNIST——一种用于域偏移下目标检测的大规模体数据集
计算机视觉与模式识别
2024-07-09 v3 人工智能
摘要
域偏移显著影响深度学习算法的性能，尤其是对于体三维图像中的目标检测。带标注的训练数据对于基于深度学习的目标检测至关重要。然而，标注密集堆叠的目标既耗时又昂贵。相反，我们建议在单独扫描的目标上训练模型，这导致训练与检测数据之间的域偏移。为应对这一挑战，我们引入了BugNIST数据集，包含12种昆虫类型的9154个微CT体数据以及388个紧密混合昆虫的体数据。该数据集的特征是在源域和目标域中具有相同外观的目标，这对于其他域偏移基准数据集而言并不常见。训练时使用按类别标注的单个昆虫体数据，而测试时采用带有中心点标注和昆虫类型标签的混合体数据。连同该数据集，我们提供了一个基线检测分析，旨在推进三维目标检测方法领域的发展。
引用
@article{arxiv.2304.01838,
title = {BugNIST -- a Large Volumetric Dataset for Object Detection under Domain Shift},
author = {Patrick Møller Jensen and Vedrana Andersen Dahl and Carsten Gundlach and Rebecca Engberg and Hans Martin Kjer and Anders Bjorholm Dahl},
journal= {arXiv preprint arXiv:2304.01838},
year = {2024}
}
备注
31 pages, 12 figures, 5 tables