基于生成对抗网络的数据增强改进目标检测
计算机视觉与模式识别
2019-03-06 v1
摘要
目标检测模型的精度取决于锚框是否得到有效训练。由于在训练阶段真实框（GT boxes）数量较少或目标物体不变，无法有效训练锚框。通过扩展数据集来提高检测精度是一种有效方法。我们提出了一种基于前景-背景分离模型的数据增强方法。该模型利用目标物体的二值图像对原始数据集图像进行随机扰动。扰动方法包括改变物体颜色通道、对物体添加椒盐噪声以及增强对比度。本文的主要贡献是提出一种基于GAN的数据增强方法并提高了DSSD的检测精度。结果在PASCAL VOC2007和PASCAL VOC2012数据集上展示。我们的模型以321x321输入在VOC2007测试集上达到78.7% mAP，在VOC2012测试集上达到76.6% mAP。
引用
@article{arxiv.1903.01716,
title = {Improve Object Detection by Data Enhancement based on Generative Adversarial Nets},
author = {Wei Jiang and Na Ying},
journal= {arXiv preprint arXiv:1903.01716},
year = {2019}
}