基于指数加权实例感知重复因子抽样的长尾目标检测模型训练方法——面向无人机监视场景
计算机视觉与模式识别
2025-08-26 v2 人工智能
机器学习
摘要
目标检测模型常在类别不平衡问题上受限，其中稀有类别的出现频率显著低于常见类别。现有的基于抽样的再平衡策略，如重复因子抽样（Repeat Factor Sampling, RFS）和实例感知重复因子抽样（Instance-Aware Repeat Factor Sampling, IRFS），通过调整基于图像和实例计数的抽样频率来缓解此问题。然而，这些方法基于线性调整，限制了其在长尾分布中的有效性。本文引入指数加权实例感知重复因子抽样（Exponentially Weighted Instance-Aware Repeat Factor Sampling, E-IRFS），这是一种对IRFS的扩展，应用指数比例以更好地区分稀有类别和频繁类别。E-IRFS根据图像和实例频率的几何平均值应用指数函数，以调整抽样概率，确保更自适应的再平衡策略。我们在基于Fireman-UAV-RGBT数据集衍生的数据集和四个额外公开数据集上评估了E-IRFS，使用YOLOv11目标检测模型识别火灾、烟雾、人员和湖泊等紧急场景。结果表明，E-IRFS相对于基线提高了22%的检测性能，优于RFS和IRFS，尤其在稀有类别方面表现更佳。分析还指出，E-IRFS对轻量级模型（容量有限的模型）的影响更大，因为这些模型更依赖数据抽样策略来解决类别不平衡问题。我们的发现表明，E-IRFS在资源受限环境中提高了稀有目标检测，适用于无人机监视等实时应用。代码已公开：https://github.com/futurians/E-IRFS。
引用
@article{arxiv.2503.21893,
title = {Exponentially Weighted Instance-Aware Repeat Factor Sampling for Long-Tailed Object Detection Model Training in Unmanned Aerial Vehicles Surveillance Scenarios},
author = {Taufiq Ahmed and Abhishek Kumar and Constantino Álvarez Casado and Anlan Zhang and Tuomo Hänninen and Lauri Loven and Miguel Bordallo López and Sasu Tarkoma},
journal= {arXiv preprint arXiv:2503.21893},
year = {2025}
}
备注
7 pages, 2 figures, 9 tables, 6 formulas, conference paper, code available