通过复制-粘贴改进拥挤目标检测
计算机视觉与模式识别
2022-11-23 v1
摘要
相似物体间重叠导致的拥挤是 2D 视觉目标检测领域普遍存在的挑战。本文中，我们首先强调拥挤问题的两个主要影响：1）IoU-置信度相关性扰动（ICD）和 2）混淆去重（CDD）。随后我们从数据增强的角度探索破解这些难题的路径。主要地，我们提出一种特定的复制-粘贴方案以生成拥挤场景。基于该操作，我们首先设计一种“共识学习”方法以进一步抵御 ICD 问题，然后发现粘贴过程自然揭示了场景中物体的伪“深度”，可潜在用于缓解 CDD 困境。两种方法均源于对复制-粘贴的巧妙运用，无需额外人工标注成本。实验表明，我们的方法无需任何花哨技巧即可在典型拥挤检测任务中将最先进检测器轻松提升 2% 以上。此外，本工作在拥挤场景下优于现有数据增强策略。
引用
@article{arxiv.2211.12110,
title = {Improving Crowded Object Detection via Copy-Paste},
author = {Jiangfan Deng and Dewen Fan and Xiaosong Qiu and Feng Zhou},
journal= {arXiv preprint arXiv:2211.12110},
year = {2022}
}
备注
Accepted by AAAI2023