面向目标检测的核心集选择方法

核心集选择是一种从整个数据集中选取一个具有代表性的小型子集的方法。此前的研究主要集中在图像分类领域，并假设每张图像中仅包含一个目标。然而，面向目标检测的核心集选择更具挑战性，因为一张图像可能包含多个目标。因此，该方向的研究尚不充分。为此，我们提出了一种新方法——面向目标检测的核心集选择（CSOD）。CSOD 为每张图像中同一类别的多个目标生成图像级和类别级的代表性特征向量。随后，我们采用子模优化来兼顾代表性与多样性，并在子模优化过程中利用这些代表性向量来选取子集。我们在 Pascal VOC 数据集上对 CSOD 进行评估，当选取 200 张图像时，CSOD 在 AP$_{50}$ 指标上比随机选择高出 +6.4 个百分点。