现代目标检测器的经验上界、误差诊断与不变性分析
计算机视觉与模式识别
2020-04-08 v1 机器学习
图像与视频处理
摘要
目标检测仍是计算机视觉中最臭名昭著的开放问题之一。尽管近年来精度取得巨大进步，现代目标检测器在流行基准上已开始饱和，引发我们能借助深度学习工具和技巧走多远的疑问。在此，通过使用 2 个最先进的目标检测基准，并在 4 个大规模数据集上分析超过 15 个模型，我们 I）仔细确定了 AP 的上界：在 VOC（test2007）上为 91.6%，在 COCO（val2017）上为 78.2%，在 OpenImages V4（validation）上为 58.9%，与 IOU 阈值无关。这些数值远优于最佳模型的 mAP（VOC 上 47.9%，COCO 上 46.9%；IOUs=.5:.05:.95）；II）以新颖且直观的方式刻画目标检测器中的误差来源，发现分类误差（与其他类混淆及漏检）解释了最大比例的误差，且比定位与重复误差权重更大；III）分析当目标周围上下文被移除、目标被置于不协调背景中、以及图像被模糊或垂直翻转时模型的不变性性质。我们发现模型在空区域生成大量边界框，且上下文对检测小目标比大目标更重要。我们的工作挖掘了目标检测与对象识别之间的紧密关系，并为构建更好的模型提供见解。我们的代码公开于 https://github.com/aliborji/Deetctionupper bound.git。
引用
@article{arxiv.2004.02877,
title = {Empirical Upper Bound, Error Diagnosis and Invariance Analysis of Modern Object Detectors},
author = {Ali Borji},
journal= {arXiv preprint arXiv:2004.02877},
year = {2020}
}
备注
arXiv admin note: substantial text overlap with arXiv:1911.12451