ScaleDet:一种可扩展的多数据集目标检测器
计算机视觉与模式识别
2023-06-09 v1
摘要
多数据集训练提供了一种在不增加额外标注成本的情况下利用异构大规模数据集的可行方案。本文中,我们提出一种可扩展的多数据集检测器(ScaleDet),其在增加训练数据集数量时能够跨数据集扩展其泛化能力。不同于现有多数据集学习器大多依赖人工重标注工作 or 复杂优化以统一各数据集标签,我们引入一种简单且可扩展的公式,以推导用于多数据集训练的统一语义标签空间。ScaleDet 通过视觉-文本对齐训练,依据跨数据集的标签语义相似度学习标签分配。一旦训练完成,ScaleDet 即可在任意给定的、含已见与未见类别的上游与下游数据集上良好泛化。我们使用 LVIS、COCO、Objects365、OpenImages 作为上游数据集,以及来自 Object Detection in the Wild (ODinW) 的 13 个数据集作为下游数据集开展广泛实验。结果表明,ScaleDet 取得引人注目的强劲模型性能:在 LVIS 上 mAP 为 50.7,COCO 上为 58.8,Objects365 上为 46.8,OpenImages 上为 76.2,ODinW 上为 71.8,以相同骨干网络超越最先进检测器。
引用
@article{arxiv.2306.04849,
title = {ScaleDet: A Scalable Multi-Dataset Object Detector},
author = {Yanbei Chen and Manchen Wang and Abhay Mittal and Zhenlin Xu and Paolo Favaro and Joseph Tighe and Davide Modolo},
journal= {arXiv preprint arXiv:2306.04849},
year = {2023}
}
备注
CVPR 2023