草垛寻针：关于大图像中微小目标的分类
计算机视觉与模式识别
2020-01-07 v2 机器学习
摘要
在一些重要的计算机视觉领域，如医学或高光谱成像中，我们关注大图像中微小目标的分类。然而，大多数用于图像分类的卷积神经网络（CNN）是在包含大目标且大多位于图像中心的偏置数据集上开发的。为评估经典 CNN 架构是否适用于微小目标分类，我们构建了一个包含两类数据集的综合测试平台：一类源自 MNIST 数字，一类源自组织病理学图像。该测试平台支持受控实验，以广泛信噪比谱对 CNN 架构进行压力测试。我们的观察表明：(1) 存在一个信噪比下限，低于该值 CNN 无法泛化，且该下限受数据集规模影响——数据越多性能越好；然而，模型泛化所需的训练数据量随目标与图像面积比的倒数迅速增长；(2) 一般而言，容量更高的模型表现出更好的泛化能力；(3) 在已知目标近似尺寸时，调整感受野是有益的；(4) 对于极小的信噪比，全局池化操作的选择会影响优化，而对于相对较大的信噪比值，所有被测全局池化操作表现相似。
引用
@article{arxiv.1908.06037,
title = {Needles in Haystacks: On Classifying Tiny Objects in Large Images},
author = {Nick Pawlowski and Suvrat Bhooshan and Nicolas Ballas and Francesco Ciompi and Ben Glocker and Michal Drozdzal},
journal= {arXiv preprint arXiv:1908.06037},
year = {2020}
}