为正样本平衡训练目标检测器而生成正边界框
计算机视觉与模式识别
2020-06-22 v3
摘要
两阶段深度目标检测器在第一阶段生成一组感兴趣区域（RoI），然后在第二阶段从与真实框（GT）充分重叠的候选 RoI 中识别物体。已知第二阶段存在偏向于与关联 GT 框交并比（IoU）较低的 RoI 的问题。为解决此问题，我们首先提出一种采样方法，生成与给定参考框重叠度高于给定 IoU 阈值的边界框（BB）。随后，我们利用该 BB 生成方法开发了一个正 RoI（pRoI）生成器，可为第二阶段产生遵循任意期望空间或 IoU 分布的正 RoI。我们展示了我们的 pRoI 生成器能够模拟困难样本挖掘与 prime 采样等其他正样本采样方法。将我们的生成器作为分析工具，我们表明：（i）IoU 不平衡对性能有不利影响；（ii）困难正样本挖掘仅对特定输入 IoU 分布提升性能；（iii）前景类别间的不平衡对性能有不利影响，且可在批次层面缓解。最后，我们使用我们的 pRoI 生成器训练 Faster R-CNN，相较于常规训练，在 Pascal VOC 与 MS COCO 数据集上对于低 IoU 获得更好或相当的性能，而在针对更高 IoU 训练时取得显著提升。代码见：https://github.com/kemaloksuz/BoundingBoxGenerator。
引用
@article{arxiv.1909.09777,
title = {Generating Positive Bounding Boxes for Balanced Training of Object Detectors},
author = {Kemal Oksuz and Baris Can Cam and Emre Akbas and Sinan Kalkan},
journal= {arXiv preprint arXiv:1909.09777},
year = {2020}
}
备注
To appear in WACV 20