从不平衡多标签中进行野外的大规模目标检测
计算机视觉与模式识别
2020-05-19 v1
摘要
在深度学习时代,使用更多数据训练始终是提升性能最稳定且有效的方法。作为迄今最大的目标检测数据集,Open Images为一般及复杂场景下的目标检测带来了巨大机遇与挑战。然而,由于其处理海量数据规模所采用的半自动收集与标注流程,Open Images数据集存在与标签相关的问题:物体可能显式或隐式地具有多个标签,且标签分布极度不平衡。本工作中,我们定量分析了这些标签问题并给出了一个简单而有效的解决方案。我们设计了一种并发softmax来处理目标检测中的多标签问题,并提出一种具有混合训练调度器的软采样方法以应对标签不平衡。总体而言,我们的方法带来了3.34分的显著提升,在Open Images公开目标检测测试集上以60.90 mAP取得了最佳单模型结果。且我们的集成结果达到了67.17 mAP,比Open Images公开测试2018的最佳结果高出4.29分。
引用
@article{arxiv.2005.08455,
title = {Large-Scale Object Detection in the Wild from Imbalanced Multi-Labels},
author = {Junran Peng and Xingyuan Bu and Ming Sun and Zhaoxiang Zhang and Tieniu Tan and Junjie Yan},
journal= {arXiv preprint arXiv:2005.08455},
year = {2020}
}
备注
CVPR2020 oral. The first two authors contribute equally