利用类别分组与多粒度分支改进服装检测
计算机视觉与模式识别
2021-01-19 v1
摘要
训练一个准确的目标检测器代价高昂且耗时。一个主要原因在于繁重的标注过程，即为每幅图像中所有实例标注类别与边界框信息。本文探讨无需额外标注即可提升深度目标检测器性能的方法。我们首先探索将具有高视觉与语义相似性的现有类别归并为单一超类别（或 superclass）。然后，研究如何利用这种层次化类别知识，通过多粒度 RCNN 顶层分支更好地检测目标。在 DeepFashion2 与 OpenImagesV4-Clothing 上的实验结果显示，所提带多粒度分支的检测头可在无额外耗时标注的情况下，将 DeepFashion2 总体性能提升 2.3 mAP、OpenImagesV4-Clothing 提升 2.5 mAP。更重要的是，训练样本较少的类别往往从所提带超类分组的多粒度头中获益更多。具体而言，我们将训练样本数最少 30% 类别的 mAP 分别提升了 2.6（DeepFashion2）与 4.6（OpenImagesV4-Clothing）。
引用
@article{arxiv.2101.06770,
title = {Improving Apparel Detection with Category Grouping and Multi-grained Branches},
author = {Qing Tian and Sampath Chanda and K C Amit Kumar and Douglas Gray},
journal= {arXiv preprint arXiv:2101.06770},
year = {2021}
}