面向含噪边界框目标检测的分布感知校准
计算机视觉与模式识别
2024-08-28 v3
摘要
大规模精标注数据集对于训练有效的目标检测器至关重要。然而,获取准确的边界框标注既费力又苛刻。遗憾的是,由此产生的含噪边界框会造成错误的监督信号,从而降低检测性能。受观察到真实真值通常位于分配给某个含噪真值的候选框的聚合区域内这一事实的启发,我们提出分布感知校准(DIStribution-aware CalibratiOn, DISCO)来建模候选框的空间分布以校准监督信号。在 DISCO 中,执行空间分布建模以统计性地提取物体的潜在位置。基于所建模型分布,开发了三种分布感知技术,即分布感知候选框增强(DA-Aug)、分布感知框精炼(DA-Ref)和分布感知置信度估计(DA-Est),分别用于改进分类、定位与可解释性。在大规模含噪图像数据集(即 Pascal VOC 和 MS-COCO)上的大量实验表明,DISCO 能够达到最先进的检测性能,尤其在高中噪水平下。代码见 https://github.com/Correr-Zhou/DISCO。
引用
@article{arxiv.2308.12017,
title = {Distribution-Aware Calibration for Object Detection with Noisy Bounding Boxes},
author = {Donghao Zhou and Jialin Li and Jinpeng Li and Jiancheng Huang and Qiang Nie and Yong Liu and Bin-Bin Gao and Qiong Wang and Pheng-Ann Heng and Guangyong Chen},
journal= {arXiv preprint arXiv:2308.12017},
year = {2024}
}
备注
Accepted by BMVC2024