基于少量示例标注学习计数目标对象
计算机视觉与模式识别
2019-05-21 v1
摘要
本文研究具有不完整标注的目标计数问题。基于在许多目标计数问题中目标对象通常重复出现且彼此高度相似的观察，我们特别关注仅提供少量示例标注的情形。直接应用具有不完整标注的目标检测会因对未标注对象实例处理不当而导致严重精度下降。为解决该问题，我们提出正样本聚焦目标检测器（PFOD），在应用通用目标检测算法前逐步传播不完整标签。PFOD 聚焦于正样本，并在大部分学习时间内忽略负实例。该策略虽简单，却显著提升了目标计数精度。在用于停车场车辆计数的 CARPK 数据集上，仅使用 5 张训练图像（每张含 5 个边界框），我们将 [email protected] 从 4.58% 提升至 72.44%。在用于货架商品计数的 Drink35 数据集上，使用 10 张训练图像（每张含 5 个边界框），[email protected] 从 14.16% 提升至 53.73%。
引用
@article{arxiv.1905.07898,
title = {Learning to Count Objects with Few Exemplar Annotations},
author = {Jianfeng Wang and Rong Xiao and Yandong Guo and Lei Zhang},
journal= {arXiv preprint arXiv:1905.07898},
year = {2019}
}