开放Logo检测挑战
计算机视觉与模式识别
2018-09-28 v3
摘要
现有的 logo 检测基准通过假设每个类都有大量带有细粒度边界框标注的训练数据可用于模型训练，来考虑人工部署场景。此类假设在现实 logo 检测场景中往往不成立，在后者中新 logo 类不断出现，并且需要在很少或没有预算来为每个新类详尽标注细粒度训练数据的情况下被检测出来。因此，现有基准无法评估 logo 检测方法在现实和开放部署中的真实性能。在这项工作中，我们引入了一种更现实且更具挑战性的 logo 检测设定，称为开放 Logo 检测（Open Logo Detection）。具体而言，该新设定假设仅对一小部分 logo 类进行细粒度标注，而其余类没有标注的训练数据以模拟开放部署。我们进一步创建了一个开放 logo 检测基准，称为 OpenLogo，以促进对这一新挑战的研究。OpenLogo 包含来自 352 个 logo 类的 27,083 张图像，通过聚合/精炼 7 个现有数据集并建立开放 logo 检测评估协议构建而成。为应对这一挑战，我们提出了一种上下文对抗学习（Context Adversarial Learning, CAL）方法，用于合成具有连贯 logo 实例外观且背景上下文多样的训练数据，以实现对当代深度学习检测模型更有效的优化。实验表明，在更现实和更具挑战性的 OpenLogo 基准上，CAL 相对于现有的最先进替代方法具有性能优势。
引用
@article{arxiv.1807.01964,
title = {Open Logo Detection Challenge},
author = {Hang Su and Xiatian Zhu and Shaogang Gong},
journal= {arXiv preprint arXiv:1807.01964},
year = {2018}
}
备注
Accepted by BMVC 2018. The QMUL-OpenLogo benchmark is publicly available at: qmul-openlogo.github.io