超高分辨率图像中快速准确的条形码检测

由于目标物体尺度多变，超高分辨率（UHR）图像中的目标检测长期以来是计算机视觉中的难题。对于条形码检测，将 UHR 输入图像缩放至更小尺寸常导致相关信息丢失，而直接处理则效率极低且计算昂贵。本文中，我们提出使用语义分割来实现 UHR 图像中多种尺度条形码的快速准确检测。我们的流程包括在大于 10k$\times$10k 尺寸图像上改进的候选区域网络（RPN）和新提出的 Y-Net 分割网络，随后是围绕每个分割条形码掩码拟合边界框的后处理工作流。端到端系统延迟为 16 毫秒，比 YOLOv4 快 $2.5\times$，比 Mask R-CNN 快 $5.9\times$。在准确率方面，我们的方法在合成数据集上分别以 $mAP$ 高出 YOLOv4 5.5% 和 Mask R-CNN 47.1% 优于二者。我们已在 http://www.github.com/viplabB/SBD/ 公开生成的合成条形码数据集及其代码。