学习面向目标检测的数据增强策略
计算机视觉与模式识别
2019-06-27 v1 机器学习
摘要
数据增强是训练深度学习模型的关键组成部分。尽管数据增强已被证明能显著提升图像分类性能，但其在目标检测中的潜力尚未得到充分研究。考虑到为目标检测标注图像带来的额外成本，数据增强对于这项计算机视觉任务可能更为重要。在本工作中，我们研究了数据增强对目标检测的影响。我们首先证明，借鉴自图像分类的数据增强操作可能有助于训练检测模型，但提升有限。因此，我们探究了学习得到的、专门化的数据增强策略如何提升检测模型的泛化性能。重要的是，这些增强策略仅影响训练过程，而在评估时保持已训练模型不变。在 COCO 数据集上的实验表明，优化的数据增强策略将检测精度提升超过 +2.3 mAP，并使单一推理模型达到 50.7 mAP 的领先精度。重要的是，在 COCO 上找到的最佳策略可原样迁移到其他检测数据集和模型上，以提升预测精度。例如，用 COCO 确定的最佳增强策略在 PASCAL-VOC 上将强基线模型提升了 +2.7 mAP。我们的结果还揭示，即使考虑强基线模型，学习得到的增强策略也优于面向目标检测的领先架构正则化方法。使用学习策略进行训练的代码已在线发布于 https://github.com/tensorflow/tpu/tree/master/models/official/detection
引用
@article{arxiv.1906.11172,
title = {Learning Data Augmentation Strategies for Object Detection},
author = {Barret Zoph and Ekin D. Cubuk and Golnaz Ghiasi and Tsung-Yi Lin and Jonathon Shlens and Quoc V. Le},
journal= {arXiv preprint arXiv:1906.11172},
year = {2019}
}