面向小数据目标检测的生成建模
计算机视觉与模式识别
2019-10-17 v1 机器学习
图像与视频处理
机器学习
摘要
本文探讨小数据场景下的目标检测问题，即由于数据稀缺和标注成本高昂，仅有有限数量的标注边界框可用。这是当今机器学习应用于许多新任务时面临的常见挑战，例如在医学图像中检测罕见疾病，医生有时一生仅能见到一次。本工作从生成建模的角度探索这一问题，通过学习生成带有相关边界框的新图像，并将其用于训练目标检测器。我们发现，直接训练先前提出的生成模型无法获得令人满意的性能，因为它们优化的是图像逼真度而非目标检测精度。为此，我们开发了一种具有新颖展开机制的新模型，该机制联合优化生成模型和检测器，使得生成的图像能够提升检测器的性能。我们证明该方法在两个具有挑战性的数据集（疾病检测和小数据行人检测）上优于现有最优方法，在 NIH Chest X-ray 数据集上将平均精度相对提升了 20%，定位精度相对提升了 50%。
引用
@article{arxiv.1910.07169,
title = {Generative Modeling for Small-Data Object Detection},
author = {Lanlan Liu and Michael Muelly and Jia Deng and Tomas Pfister and Li-Jia Li},
journal= {arXiv preprint arXiv:1910.07169},
year = {2019}
}
备注
Published in ICCV 2019