真实场景下的少样本目标检测：以自动采摘为例
计算机视觉与模式识别
2020-11-06 v1 机器学习
摘要
COVID-19期间的封锁对全球农业造成了严重影响。作为高效解决方案之一，基于目标检测与机器人收割机的机械采摘/自动采摘成为迫切需求。在自动采摘系统中，鲁棒的少样本目标检测模型是瓶颈之一，因为系统需要处理新的蔬菜/水果类别，而为所有新类别收集大规模标注数据集成本高昂。学界已开发了许多少样本目标检测模型。然而，由于常用训练数据集与真实农业场景所采集图像之间存在语境差异，它们能否直接用于现实农业应用仍存疑问。为此，本研究提出了一个新颖的黄瓜数据集，并给出两种有助于弥合语境差异的数据增强策略。实验结果表明：1) 最先进的少样本目标检测模型在新类别“黄瓜”上表现很差；2) 所提出的增强策略优于常用策略。
引用
@article{arxiv.2011.02719,
title = {Few-Shot Object Detection in Real Life: Case Study on Auto-Harvest},
author = {Kevin Riou and Jingwen Zhu and Suiyi Ling and Mathis Piquet and Vincent Truffault and Patrick Le Callet},
journal= {arXiv preprint arXiv:2011.02719},
year = {2020}
}
备注
6 pages