剪切、粘贴与学习：面向实例检测的惊人简易合成方法
计算机视觉与模式识别
2017-08-08 v1
摘要
快速部署用于实例检测的目标检测模型的一个主要障碍是缺乏大规模标注数据集。例如，要找到一个包含特定厨房中各种实例的大型标注数据集是不太可能的。每个包含新实例的新环境都需要昂贵的数据采集和标注。本文提出了一种以最小代价生成大规模标注实例数据集的简单方法。我们的核心见解是，仅保证图像块级别的真实感就能为当前的目标检测器模型提供足够的训练信号。我们自动“剪切”出物体实例并将其“粘贴”到随机背景上。直接这样做会产生像素伪影，导致训练出的模型性能不佳。我们展示了如何使检测器在训练过程中忽略这些伪影，并生成在真实数据上具有竞争力的数据。我们的方法优于现有的合成方法，并且当与真实图像结合时，在基准数据集上的相对性能提升超过21%。在跨域设置下，我们的合成数据仅结合10%的真实数据，其训练出的模型性能就超越了使用全部真实数据训练的模型。
引用
@article{arxiv.1708.01642,
title = {Cut, Paste and Learn: Surprisingly Easy Synthesis for Instance Detection},
author = {Debidatta Dwibedi and Ishan Misra and Martial Hebert},
journal= {arXiv preprint arXiv:1708.01642},
year = {2017}
}
备注
To appear in ICCV 2017