面向长尾目标检测的实例感知重复因子采样
计算机视觉与模式识别
2023-11-14 v1 机器学习
图像与视频处理
摘要
我们提出一种极其简单的方法——实例感知重复因子采样（IRFS），以解决长尾目标检测中数据不平衡的问题。现实世界目标检测中的不平衡数据集常因各类别实例数量差异巨大而受影响。为提升目标检测模型在稀有类别上的泛化性能，已有多种数据采样技术被提出。重复因子采样（RFS）因其简单有效而展现出潜力。尽管高效，RFS 完全忽略实例计数，仅依赖图像计数进行重采样。然而，实例计数对于图像计数相近的不同类别可能差异极大。这种差异凸显了图像与实例对于处理长尾分布的重要性。因此，我们提出 IRFS，其统一实例与图像计数进行重采样，以感知长尾数据集中不平衡的不同视角。我们的方法在具有挑战性的 LVIS v1.0 基准数据集上，基于多种架构与骨干网络展现出 promising 结果，表明其在提升稀有类别目标检测模型性能上的有效性，相较对照 RFS 取得了相对的 平均精度（AP）提升。IRFS 可作为强基线，并易于集成到现有长尾框架中。
引用
@article{arxiv.2305.08069,
title = {Instance-Aware Repeat Factor Sampling for Long-Tailed Object Detection},
author = {Burhaneddin Yaman and Tanvir Mahmud and Chun-Hao Liu},
journal= {arXiv preprint arXiv:2305.08069},
year = {2023}
}