面向目标检测的尺度感知自动增强
计算机视觉与模式识别
2021-04-01 v1
摘要
我们提出 Scale-aware AutoAug 来学习目标检测的数据增强策略。我们定义了一个新的尺度感知搜索空间，其中图像级和框级增强均被设计为保持尺度不变性。在此搜索空间上，我们提出一种新的搜索度量，称为 Pareto Scale Balance，以高效促进搜索。在实验中，Scale-aware AutoAug 在各种目标检测器（如 RetinaNet、Faster R-CNN、Mask R-CNN 和 FCOS）上取得了显著且一致的提升，即便与强大的多尺度训练基线相比也是如此。我们搜索得到的增强策略可迁移到其他数据集以及目标检测之外的框级任务（如实例分割和关键点估计）以提升性能。搜索代价远小于先前用于目标检测的自动增强方法。值得注意的是，我们搜索得到的策略具有有意义的模式，直观上为人工数据增强设计提供了有价值的见解。代码与模型将发布于 https://github.com/Jia-Research-Lab/SA-AutoAug。
引用
@article{arxiv.2103.17220,
title = {Scale-aware Automatic Augmentation for Object Detection},
author = {Yukang Chen and Yanwei Li and Tao Kong and Lu Qi and Ruihang Chu and Lei Li and Jiaya Jia},
journal= {arXiv preprint arXiv:2103.17220},
year = {2021}
}
备注
Accepted by CVPR 2021