基于置信度的飞行鸟对象检测模型训练的自学策略
计算机视觉与模式识别
2024-12-10 v1
摘要
为避免硬样本对飞行鸟对象检测模型（FBOD model，我们之前工作中根据监视视频中飞行鸟对象的特征设计了该模型）训练过程的影响，提出了一种基于置信度的自学策略带易样本先验（SPL-ESP-BC），这是一种新的模型训练策略。首先，改进了基于损失的自学策略（SPL）中的 Minimizer Function，提出基于置信度的 Minimizer Function，使其更适用于单类对象检测任务。其次，为使模型在训练初期能够通过自学策略判断易样本和难样本，提出了一种带易样本先验（ESP）的自学策略。使用标准训练策略先对易样本进行训练，然后使用包含所有样本的自学策略对其进行训练。结合 ESP 和基于置信度的 Minimizer Function，提出了 SPL-ESP-BC 模型训练策略。使用该策略训练 FBOD 模型可使其更好地从易到难学习监视视频中飞行鸟对象的特征。实验结果表明，与不区分易难样本的标准训练策略相比，采用 SPL-ESP-BC 训练的 FBOD 模型在 AP50 上提高了 2.1%；与其他基于损失的自学策略相比，采用 SPL-ESP-BC 策略训练的 FBOD 模型综合检测性能最佳。
引用
@article{arxiv.2412.06306,
title = {Self-Paced Learning Strategy with Easy Sample Prior Based on Confidence for the Flying Bird Object Detection Model Training},
author = {Zi-Wei Sun and Ze-Xi hua and Heng-Chao Li and Yan Li},
journal= {arXiv preprint arXiv:2412.06306},
year = {2024}
}