在线目标检测中运动模糊的改进处理
计算机视觉与模式识别
2021-03-31 v2
摘要
我们希望为将在真实世界中运行的在线视觉系统检测特定类别物体。目标检测本已极具挑战。当图像因相机位于汽车或手持手机而模糊时，更难。现有多数工作要么聚焦易标注真值的清晰图像，要么将运动模糊视为众多通用损坏之一。相反，我们特别聚焦由自运动引起的模糊细节。我们探索五类补救方法，各自针对清晰与模糊图像间性能差距的不同潜在成因。例如，先去模糊图像改变其人类可解释性，但当前仅部分改善目标检测。其余四类补救方法处理多尺度纹理、分布外测试、标签生成及按模糊类型条件化。令人惊讶地，我们发现旨在解决空间歧义的定制标签生成远超其余方法，显著改善目标检测。并且，与分类中的发现相反，我们通过将模型条件化于定制的运动模糊类别观察到显著增益。我们在模糊 COCO 图像与真实世界模糊数据集上实验验证并交叉融合不同补救方法，得出一个简便实用的优选模型，具更优检测率。
引用
@article{arxiv.2011.14448,
title = {Improved Handling of Motion Blur in Online Object Detection},
author = {Mohamed Sayed and Gabriel Brostow},
journal= {arXiv preprint arXiv:2011.14448},
year = {2021}
}
备注
Mirroring accepted CVPR paper. Added results for other real-world blur datasets. Main paper: 8 pages + 3 references. Supplemental: 9 pages