基于置信度的飞行鸟对象检测模型训练的协同节奏学习策略
计算机视觉与模式识别
2025-08-19 v2
摘要
监控摄像机捕获的飞行鸟类目标因尺寸不同或与背景相似程度不同，导致识别难度各异。为缓解硬样本对飞行鸟对象检测（Flying Bird Object Detection, FBOD）模型训练的负面影响，我们提出了基于置信度的协同节奏学习策略（Co-Paced Learning strategy Based on Confidence, CPL-BC），并将其应用于FBOD模型的训练过程中。该策略维护两个结构相同的模型，但初始参数配置不同，彼此协作选择置信度超过设定阈值的易样本进行训练。随着训练进行，策略逐渐降低阈值，从而逐步提升模型识别目标的能力，从易到难。在应用CPL-BC之前，我们对这两个FBOD模型进行预训练，以使其具备评估飞行鸟对象样本难易程度的能力。在两个不同监控视频中的飞行鸟类数据集上进行实验表明，与其他模型学习策略相比，CPL-BC显著提高了检测精度，验证了该方法的有效性与突破性。
引用
@article{arxiv.2501.12071,
title = {Co-Paced Learning Strategy Based on Confidence for Flying Bird Object Detection Model Training},
author = {Zi-Wei Sun and Ze-Xi Hua and Heng-Chao Li and Yan Li},
journal= {arXiv preprint arXiv:2501.12071},
year = {2025}
}