提升杂乱背景下目标检测与分类的学习有效性
计算机视觉与模式识别
2020-03-02 v1 机器学习
图像与视频处理
摘要
通常，神经网络模型在具有同质背景的大量图像数据集上训练。问题在于，所训练网络模型在复杂异质环境中的性能可能显著下降。为缓解该问题，本文开发了一个框架，可自主生成异质杂乱背景下的训练数据集。显然，与典型数据集训练的模型相比，所提框架在复杂异质环境中的学习有效性应有所提升。在我们的框架中，使用称为 DeepLab 的先进图像分割技术从图片中提取感兴趣目标，然后使用色键（Chroma-key）技术将提取的感兴趣目标合并到特定异质背景中。通过实证测试研究了所提框架的性能，并与使用 COCO 数据集训练的模型进行比较。结果表明，所提框架优于对比模型。这意味着所开发框架的学习有效性优于使用典型数据集的模型。
引用
@article{arxiv.2002.12467,
title = {Improving Learning Effectiveness For Object Detection and Classification in Cluttered Backgrounds},
author = {Vinorth Varatharasan and Hyo-Sang Shin and Antonios Tsourdos and Nick Colosimo},
journal= {arXiv preprint arXiv:2002.12467},
year = {2020}
}
备注
IEEE RED-UAS 2019 Conference