通过合成数据生成和比例类平衡技术增强小目标检测性能：工业场景中的比较研究
计算机视觉与模式识别
2024-01-30 v2 机器学习
摘要
目标检测（OD）已被证明是一种重要的计算机视觉方法，用于提取局部类别信息，并在工业中有多种应用。尽管许多最先进的（SOTA）OD模型在中型和大型目标上表现良好，但它们在小目标上似乎表现不佳。在大多数工业用例中，收集和标注小目标数据非常困难，因为耗时且容易出错。此外，这些数据集很可能不平衡，并常常导致模型收敛效率低下。为应对这一挑战，本研究提出一种新颖的方法，通过注入额外的数据点来提升OD模型的性能。利用合成数据生成，可以最大限度地减少小目标数据点的数据收集和标注困难，并创建一个分布平衡的数据集。本文讨论了一种简单的比例类平衡技术的影响，以实现OD模型更好的锚点匹配。我们比较了SOTA OD模型：YOLOv5、YOLOv7和SSD在工业用例中真实与合成数据集组合上的性能。
引用
@article{arxiv.2401.12729,
title = {Enhancing Object Detection Performance for Small Objects through Synthetic Data Generation and Proportional Class-Balancing Technique: A Comparative Study in Industrial Scenarios},
author = {Jibinraj Antony and Vinit Hegiste and Ali Nazeri and Hooman Tavakoli and Snehal Walunj and Christiane Plociennik and Martin Ruskowski},
journal= {arXiv preprint arXiv:2401.12729},
year = {2024}
}
备注
Accepted and presented in conference ESAIM23 1st European Symposium on Artificial Intelligence in Manufacturing