重新思考零售商店中的目标检测
计算机视觉与模式识别
2020-12-08 v3
摘要
目标检测的传统标准使用边界框表示每个独立目标实例。然而，由于同类别实例群组间的严重遮挡，在仓库等产业相关应用中并不实用。本文提出一项新任务，即同步目标定位与计数，缩写为 Locount，要求算法定位感兴趣目标群组并给出实例数量。然而，目前不存在为该任务设计的数据集或基准。为此，我们采集了一个大规模目标定位与计数数据集，含零售商店中丰富标注，包含 50,394 张图像与 140 个类别中超过 190 万个目标实例。连同该数据集，我们提供新评估协议并划分训练与测试子集以公平评估 Locount 算法性能，建立 Locount 任务的新基准。此外，我们提出级联定位与计数网络作为强基线，以端到端方式逐渐分类并回归目标边界框及框内预测实例数。在所提数据集上进行了充分实验以彰显其意义，并提供失败案例分析讨论以指明未来方向。数据集见 https://isrc.iscas.ac.cn/gitlab/research/locount-dataset。
引用
@article{arxiv.2003.08230,
title = {Rethinking Object Detection in Retail Stores},
author = {Yuanqiang Cai and Longyin Wen and Libo Zhang and Dawei Du and Weiqiang Wang},
journal= {arXiv preprint arXiv:2003.08230},
year = {2020}
}
备注
Information Error