IDA：应用于显著目标检测的改进数据增强方法
计算机视觉与模式识别
2021-06-23 v1 机器学习
图像与视频处理
摘要
本文提出一种聚焦于显著目标检测（SOD）的改进数据增强（IDA）技术。文献中提出的标准数据增强技术，如图像裁剪、旋转、翻转与缩放，仅生成已有样本的变体，泛化能力有限。我们的方法结合图像修复、仿射变换，以及将不同生成的背景图像与从标注数据中提取的显著目标进行线性组合。我们所提技术能够在保留背景信息的同时，更精确地控制目标的位置与大小。背景选择基于图像间优化，而目标大小在指定区间内服从均匀随机分布，目标位置为图像内最优。我们表明，在SOD领域的数个著名数据集上训练最先进神经网络时，我们的方法提升了分割质量。将我们的方法与其他方法结合，在F-measure上以0.52%、在Precision上以1.19%超越水平翻转等传统技术。我们还在7个不同SOD数据集上进行了评估，采用9种不同评价指标并对评估方法给出平均排名。
引用
@article{arxiv.2009.08845,
title = {IDA: Improved Data Augmentation Applied to Salient Object Detection},
author = {Daniel V. Ruiz and Bruno A. Krinski and Eduardo Todt},
journal= {arXiv preprint arXiv:2009.08845},
year = {2021}
}
备注
Accepted for presentation at SIBGRAPI 2020 - 33rd Conference on Graphics, Patterns and Images