迷失在压缩中：有损图像压缩对红外图像中可变尺寸目标检测的影响
计算机视觉与模式识别
2022-05-18 v1 人工智能
摘要
有损图像压缩策略通过将数据编码为缩减形式，实现了更高效的数据存储和传输。这对于在存储条件较差的环境中使用更大的数据集进行训练至关重要。然而，即使应用轻度压缩且生成的压缩图像在视觉上完全相同，这种压缩也可能导致深度卷积神经网络（CNN）架构的性能严重下降。在这项工作中，我们将具有六个离散递增压缩级别{95, 75, 50, 15, 10, 5}的有损JPEG压缩方法应用于红外波段（热）图像。我们的研究定量评估了递增的有损压缩级别对特征多样的目标检测架构（Cascade-RCNN、FSAF和Deformable DETR）在数据集中存在的不同尺寸目标上的性能影响。当在未压缩数据上进行训练和评估作为基线时，我们在FLIR数据集上使用Cascade R-CNN实现了0.823的最大平均精度（mAP），优于先前的工作。在所有三种CNN架构中，有损压缩的影响在较高压缩级别（15, 10, 5）下更为极端。然而，在有损压缩图像上重新训练模型显著改善了所有三种CNN模型的性能，平均提升约76%（在较高压缩级别5时）。此外，我们展示了不同目标面积{微小、小、中、大}相对于压缩级别的相对敏感性。我们表明，微小和小目标比中和大目标对压缩更敏感。总体而言，Cascade R-CNN在大多数目标面积类别中获得了最高的mAP。
引用
@article{arxiv.2205.08002,
title = {Lost in Compression: the Impact of Lossy Image Compression on Variable Size Object Detection within Infrared Imagery},
author = {Neelanjan Bhowmik and Jack W. Barker and Yona Falinie A. Gaus and Toby P. Breckon},
journal= {arXiv preprint arXiv:2205.08002},
year = {2022}
}