目标检测中的类别不平衡：实验诊断与缓解策略研究
计算机视觉与模式识别
2024-03-13 v1 机器学习
摘要
目标检测是计算机视觉中的一个关键任务，常因数据集不平衡而受到阻碍，尤其是前景-前景类别不平衡问题得到了很少的关注。在单阶段检测器的背景下，这种对前景-前景类别不平衡的关注不足更为突出。本研究引入一个基准框架，利用YOLOv5单阶段检测器来解决前景-前景类别不平衡问题。我们从COCO数据集中构建了一个新型的10类长尾数据集，称为COCO-ZIPF，旨在反映具有有限目标类别的常见实际检测场景。基于此，我们审查了三种已建立技术：抽样、损失加权和数据增强。我们的比较分析表明，抽样和损失重加权方法虽在两阶段检测器设置下显示出积极作用，但在提高YOLOv5在COCO-ZIPF数据集上的性能方面并不如意。相反，数据增强方法，特别是拼贴和混合，显著提高了模型的平均精度(mAP)。
引用
@article{arxiv.2403.07113,
title = {Class Imbalance in Object Detection: An Experimental Diagnosis and Study of Mitigation Strategies},
author = {Nieves Crasto},
journal= {arXiv preprint arXiv:2403.07113},
year = {2024}
}