Gen2Det：生成以检测
计算机视觉与模式识别
2023-12-08 v1
摘要
近年来，扩散模型在合成图像质量以及生成控制方面均有所提升。我们提出并介绍了Gen2Det，这是一个简单的模块化流程，通过利用最先进的基于文本的图像生成方法，免费为物体检测创建合成训练数据。与现有工作生成单个物体实例、需要识别前景然后粘贴到其他图像上不同，我们将其简化为直接生成以场景为中心的图像。除了合成数据，Gen2Det还提出了一套技术来最好地利用生成的数据，包括图像级过滤、实例级过滤，以及更好的训练配方以应对生成中的不完美之处。使用Gen2Det，我们在各种设置下，且与检测方法无关的情况下，展示了在物体检测和分割任务上的稳健提升。在LVIS的长尾检测设置中，Gen2Det大幅提升了稀有类别的性能，同时也显著提升了其他类别的性能，例如，在LVIS上使用Mask R-CNN，仅使用真实数据训练相比，我们看到了2.13 Box AP和1.84 Mask AP的提升。在COCO的低数据量设置下，Gen2Det持续将Box AP和Mask AP分别提升了2.27和1.85个点。在最通用的检测设置下，Gen2Det仍然表现出稳健的性能增益，例如，它将COCO上的Box AP和Mask AP分别提升了0.45和0.32个点。
引用
@article{arxiv.2312.04566,
title = {Gen2Det: Generate to Detect},
author = {Saksham Suri and Fanyi Xiao and Animesh Sinha and Sean Chang Culatana and Raghuraman Krishnamoorthi and Chenchen Zhu and Abhinav Shrivastava},
journal= {arXiv preprint arXiv:2312.04566},
year = {2023}
}