GAN 能做得更好：基于 GAN 的变质量图像目标检测
计算机视觉与模式识别
2022-08-10 v1
摘要
在本文中，我们在新颖的生成框架中提出使用生成对抗网络（GANs）来生成特征，从而为低质量图像上的目标检测提供鲁棒性。所提出的基于 GAN 的目标检测（GAN-DO）框架不限于任何特定架构，并可推广到若干基于深度神经网络（DNN）的架构。所得深度神经网络保持与所选基线模型完全相同的架构，且不增加模型参数复杂度或推理速度。我们首先评估图像质量不仅对目标分类而且对目标边界框回归的影响。然后，我们使用两种最先进的目标检测架构作为基线模型，测试我们提出的 GAN-DO 框架所产生的模型。我们还评估了 GAN-DO 生成器中重训练参数数量对最终训练模型准确率的影响。在目标检测数据集上使用 GAN-DO 给出的性能结果表明，相较于现有方法，其对变化的图像质量具有改进的鲁棒性以及更高的 mAP。
引用
@article{arxiv.1912.01707,
title = {It GAN DO Better: GAN-based Detection of Objects on Images with Varying Quality},
author = {Charan D. Prakash and Lina J. Karam},
journal= {arXiv preprint arXiv:1912.01707},
year = {2022}
}