标签噪声下航空图像中鲁棒的小目标检测
计算机视觉与模式识别
2024-01-17 v1
摘要
由于视觉信息有限且在场景中频繁出现，遥感图像中小目标的精确检测仍然是一个重大挑战。手动标注的实际负担和固有错误进一步加剧了这一挑战：标注小目标既费力又容易出错（即标签噪声）。使用噪声标签训练此类目标的检测器往往导致性能不佳，网络倾向于过拟合噪声标签。在本研究中，我们解决了噪声标签监督下小目标检测的复杂问题。我们系统地调查了各类噪声对网络训练的影响，揭示了目标检测器对小目标的类别偏移和不准确边界框的脆弱性。为了缓解这些挑战，我们提出了一种去噪小目标检测器 (DN-TOD)，它结合了类别感知标签校正 (CLC) 方案以解决类别偏移，以及趋势引导学习策略 (TLS) 以处理边界框噪声。CLC 通过识别和过滤类别偏移的正样本来减轻不准确的类别监督，而 TLS 则通过样本重加权 and 边界框再生减少由噪声框引起的错误监督。此外，我们的方法可以无缝集成到单阶段和两阶段目标检测流程中。在合成（即含噪声的 AI-TOD-v2.0 和 DOTA-v2.0）和真实世界（即 AI-TOD）噪声数据集上进行的综合实验证明了 DN-TOD 在各种类型标签噪声下的鲁棒性。值得注意的是，当应用于强基线 RFLA 时，DN-TOD 在 40% 混合噪声下表现出 4.9 点的显著性能提升。数据集、代码和模型将公开可用。
引用
@article{arxiv.2401.08056,
title = {Robust Tiny Object Detection in Aerial Images amidst Label Noise},
author = {Haoran Zhu and Chang Xu and Wen Yang and Ruixiang Zhang and Yan Zhang and Gui-Song Xia},
journal= {arXiv preprint arXiv:2401.08056},
year = {2024}
}