利用YOLO和孪生网络的图像采集方法开发
计算机视觉与模式识别
2024-10-17 v1 人工智能
摘要
随着我们进入大数据时代，收集高质量数据变得非常重要。然而，由人类收集数据不仅非常耗时，而且成本高昂。因此，许多科学家设计了各种利用计算机收集数据的方法。其中有一种称为网络爬虫的方法，但作者发现爬虫方法存在一个问题，即会随用户意图一起收集到非预期的数据。作者发现可以使用目标识别模型YOLOv10来过滤这些数据。然而，有时仍会残留未被正确过滤的数据。这里，通过额外利用孪生网络输出的距离进行图像重分类，记录到了比其他分类模型更高的性能（平均f1分数：YOLO+MobileNet 0.678 -> YOLO+SiameseNet 0.772）。用户可以指定距离阈值来调整数据不足和噪声鲁棒性之间的平衡。作者还发现，由于在孪生网络中处理图像时使用了裁剪后的图像进行目标识别，因此孪生网络可以用更少的资源实现更高的性能（基于20类平均f1分数：非裁剪+孪生网络(MobileNetV3-Small) 80.94 -> 裁剪预处理+孪生网络(MobileNetV3-Small) 82.31）。通过这种方式，利用两个连续模型来减少错误的图像检索系统可以节省用户的时间和精力，并且比以前更快、用更少的资源构建更高质量的数据。
引用
@article{arxiv.2410.12561,
title = {Development of Image Collection Method Using YOLO and Siamese Network},
author = {Chan Young Shin and Ah Hyun Lee and Jun Young Lee and Ji Min Lee and Soo Jin Park},
journal= {arXiv preprint arXiv:2410.12561},
year = {2024}
}
备注
15 pages, 13 figures, 2 tables