目标检测中的经验上界及更多发现
计算机视觉与模式识别
2019-12-18 v3
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了巨大进步，现代目标检测器在流行基准上已开始饱和，引发了我们能借助深度学习工具和技巧走多远的问题。在此，通过使用 2 个最先进的目标检测基准，并分析 4 个大规模数据集上的超过 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 无关。这些数值远优于最佳模型1 的 mAP（VOC 上 47.9%，COCO 上 46.9%；IOU=.5:.95）；II) 以新颖且直观的方式刻画目标检测器中的错误来源，发现分类错误（与其他类混淆及漏检）占错误的最大比例，且比定位和重复错误更重要；III) 分析当物体周围上下文被移除、物体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。我们发现模型在空白区域生成边界框，且上下文对检测小物体比大物体更重要。我们的工作深入探讨了识别与检测之间的紧密关系，并为构建更好的模型提供了见解。
引用
@article{arxiv.1911.12451,
title = {Empirical Upper Bound in Object Detection and More},
author = {Ali Borji and Seyed Mehdi Iranmanesh},
journal= {arXiv preprint arXiv:1911.12451},
year = {2019}
}