目标检测性能与视觉显著性及深度估计的相关性
计算机视觉与模式识别
2024-11-06 v1 人工智能
机器学习
摘要
随着目标检测技术的持续发展，理解其与互补视觉任务之间的关系对于优化模型架构和计算资源至关重要。本文研究了目标检测精度与两项基础视觉任务——深度预测和视觉显著性预测——之间的相关性。通过在 COCO 和 Pascal VOC 数据集上使用最先进的模型（DeepGaze IIE、Depth Anything、DPT-Large 和 Itti 模型）进行全面的实验，我们发现视觉显著性与目标检测精度之间始终表现出比深度预测更强的相关性（在 Pascal VOC 上 mAρ 最高达 0.459，而深度预测最高为 0.283）。我们的分析揭示了这些相关性在不同目标类别之间存在显著差异，较大目标的关联值可达较小目标的三倍。这些发现表明，将视觉显著性特征融入目标检测架构可能比深度信息更有益，尤其是对于特定目标类别。观察到的类别特异性变化也为有针对性的特征工程和数据集设计改进提供了见解，有望带来更高效、更准确的目标检测系统。
引用
@article{arxiv.2411.02844,
title = {Correlation of Object Detection Performance with Visual Saliency and Depth Estimation},
author = {Matthias Bartolo and Dylan Seychell},
journal= {arXiv preprint arXiv:2411.02844},
year = {2024}
}
备注
Code Available at: https://github.com/mbar0075/Object-Detection-Correlation-Saliency-vs-Depth