重新思考少样本机制下小目标检测的交并比
计算机视觉与模式识别
2023-07-20 v1
摘要
在少样本目标检测(FSOD)中，检测小目标极为困难。有限的监督削弱了模型的定位能力，且几个像素的偏移就会大幅降低小目标真实框与预测框之间的交并比(IoU)。为此，我们提出尺度自适应交并比(SIoU)，一种新颖的框相似度度量。SIoU随目标尺寸变化，对小目标偏移更为宽容。我们开展了用户研究，SIoU比IoU更符合人类判断。采用SIoU作为评估准则有助于构建更面向用户的模型。SIoU也可用作损失函数，在训练时优先关注小目标，优于现有损失函数。SIoU在非少样本机制下改善了小目标检测，但该设定在工业界不现实，因为标注检测数据集通常过于昂贵而难以获取。因此，我们的实验主要关注少样本机制，以证明SIoU损失的优越性与通用性。SIoU在自然图像(Pascal VOC和COCO数据集)与航拍图像(DOTA和DIOR)上均显著提升了FSOD的小目标性能。在航拍影像中，小目标至关重要，SIoU损失在DOTA和DIOR上取得了新的最先进FSOD结果。
引用
@article{arxiv.2307.09562,
title = {Rethinking Intersection Over Union for Small Object Detection in Few-Shot Regime},
author = {Pierre Le Jeune and Anissa Mokraoui},
journal= {arXiv preprint arXiv:2307.09562},
year = {2023}
}