随机化以泛化：用于跑道外来物检测的域随机化
计算机视觉与模式识别
2023-09-26 v1
摘要
微小目标检测由于目标尺寸小、分辨率低、遮挡、背景杂乱、光照条件以及目标占图像比例小而具有挑战性。此外，目标检测方法通常隐含假设训练与测试数据保持一致。然而，当模型应用于域外（未见）数据时，该假设常导致性能下降。诸如合成图像生成等技术通过利用输入数据的变化来提升模型性能，此类方法通常假定可获取 3D 渲染数据集。相反，我们提出一种新颖的两阶段方法——合成随机化图像增强（SRIA），精心设计并用于增强面对 2D 数据集（尤其是分辨率较低、更贴近实际场景）的模型泛化能力。第一阶段采用弱监督技术生成像素级分割掩码；随后第二阶段批量合成人工图像，并精心设计多种多样化增强。所提方法的有效性在具有挑战性的外来物碎片（FOD）检测上得到验证。我们在公开的 FOD-A 数据集上将结果与包括 CenterNet、SSD、YOLOv3、YOLOv4、YOLOv5 及 Outer Vit 在内的若干 SOTA 模型进行比较。我们还构建了一个包含 800 张标注图像、涵盖十类常见目标的分布外测试集。值得注意的是，仅利用源训练数据中 1.81% 的目标并融合 29 张跑道背景图像，我们生成了 2227 张合成图像。随后通过迁移学习利用域随机化生成的增强数据集对模型重新训练，检测精度显著提升。我们报告称，对于 OOD 测试集，检测精度从初始的 41% 提高到 92%。
引用
@article{arxiv.2309.13264,
title = {Randomize to Generalize: Domain Randomization for Runway FOD Detection},
author = {Javaria Farooq and Nayyer Aafaq and M Khizer Ali Khan and Ammar Saleem and M Ibraheem Siddiqui},
journal= {arXiv preprint arXiv:2309.13264},
year = {2023}
}
备注
29 pages, 9 figures