面向单阶段目标检测器的改进困难样本挖掘方法
计算机视觉与模式识别
2022-07-13 v2
摘要
困难样本挖掘方法通常能提升受训练集不平衡影响的目标检测器的性能。本文中，两种已有的困难样本挖掘方法（LRM 与 focal loss，FL）被适配并组合到最先进的实时目标检测器 YOLOv5 中。所提方法在提升困难样本性能上的有效性得到了广泛评估。在 2021 Anti-UAV Challenge Dataset 上，相比使用原始损失函数，所提方法将 mAP 提升了 3%，相比单独使用困难挖掘方法（LRM 或 FL）提升了约 1-2%。
引用
@article{arxiv.2202.13080,
title = {Improved Hard Example Mining Approach for Single Shot Object Detectors},
author = {Aybora Koksal and Onder Tuzcuoglu and Kutalmis Gokalp Ince and Yoldas Ataseven and A. Aydin Alatan},
journal= {arXiv preprint arXiv:2202.13080},
year = {2022}
}
备注
ICIP 2022. 5 pages, 2 figures, 7 tables. The codes are available at https://github.com/aybora/yolov5Loss