SCD：用于检测与分割的堆叠纸箱数据集
计算机视觉与模式识别
2021-02-26 v1
摘要
纸箱检测是自动物流系统中的一项重要技术，可应用于诸多场景，如纸箱的码垛与拆垛、集装箱内纸箱的卸货等。然而，迄今为止研究界尚无公开的大规模纸箱数据集用于训练和评估纸箱检测模型，这阻碍了纸箱检测的发展。本文提出一个名为堆叠纸箱数据集（Stacked Carton Dataset，SCD）的大规模纸箱数据集，旨在推动纸箱检测的最先进水平。图像采集自互联网与若干仓库，并以逐实例分割的方式标注对象以实现精确定位。共有来自 16,136 张图像的 250,000 个实例掩码。此外，我们基于 RetinaNet 设计了一个纸箱检测器，嵌入了分类与定位模块间的偏移预测（OPCL）与边界引导监督模块（BGS）。OPCL 缓解了分类与定位质量之间的不平衡问题，在 SCD 上使 AP 提升 3.1%–4.7%，而 BGS 引导检测器更多关注纸箱的边界信息并解耦重复的纸箱纹理。为证明 OPCL 对其他数据集的泛化能力，我们在 MS COCO 与 PASCAL VOC 上进行了大量实验。在 MS COCO 与 PASCAL VOC 上 AP 的提升分别为 1.8%–2.2% 与 3.4%–4.3%。
引用
@article{arxiv.2102.12808,
title = {SCD: A Stacked Carton Dataset for Detection and Segmentation},
author = {Jinrong Yang and Shengkai Wu and Lijun Gou and Hangcheng Yu and Chenxi Lin and Jiazhuo Wang and Minxuan Li and Xiaoping Li},
journal= {arXiv preprint arXiv:2102.12808},
year = {2021}
}