OOWL500：克服野外数据集采集偏差
计算机视觉与模式识别
2021-08-26 v1
摘要
本文研究了“野外”在线收集的图像数据集可能产生有偏物体识别器（例如偏好专业摄影或特定视角）这一假设。我们提出了一种新的“实验室”数据采集基础设施，该设施由一架环绕物体飞行并拍摄图像的无人机组成。至关重要的是，该装置提供的控制能力以及飞行中固有的自然相机抖动减轻了许多偏差。其成本低廉且易于复制的特性，也可能促使视觉社区开展可扩展的数据采集工作。通过创建一个名为“飞行获取物体”（OOWL）的数据集，我们展示了该流程的实用性。该数据集被命名为 OOWL500，包含 500 个物体的 120,000 张图像，在同时考虑类别数和每类物体数时，它是目前可用的最大“实验室”图像数据集。此外，它还为物体识别带来了若干新见解。首先，我们提出了一种新颖的对抗攻击策略，其中图像扰动根据相机抖动和姿态等语义属性来定义。实验表明，ImageNet 存在大量的姿态和专业摄影偏差。其次，该数据集被用来证明，用实验室数据（如 OOWL500）增强野外数据集（如 ImageNet）可以显著减少这些偏差，从而得到泛化能力更强的物体识别器。第三，该数据集被用于研究关于数据集采集“最佳流程”的问题。研究揭示，用合成图像进行数据增强不足以消除野外数据集的偏差，并且相机抖动和姿态多样性在物体识别鲁棒性中扮演着比先前认为更重要的角色。
引用
@article{arxiv.2108.10992,
title = {OOWL500: Overcoming Dataset Collection Bias in the Wild},
author = {Brandon Leung and Chih-Hui Ho and Amir Persekian and David Orozco and Yen Chang and Erik Sandstrom and Bo Liu and Nuno Vasconcelos},
journal= {arXiv preprint arXiv:2108.10992},
year = {2021}
}