面向无人机监视场景的长尾目标检测模型训练的指数加权实例感知重复抽样策略
地球与行星天体物理
2025-03-31 v1
摘要
目标检测模型常在类别不平衡问题上困扰，其中稀有类别的出现频率显著低于常见类别。现有的基于抽样的平衡策略，如重复抽样（RFS）和实例感知重复抽样（IRFS），通过调整基于图像和实例计数的抽样频率来缓解此问题。然而，这些方法基于线性调整，限制了其在长尾分布中的有效性。本工作引入指数加权实例感知重复抽样（E-IRFS），这是一种对 IRFS 的扩展，应用指数缩放以更好地区分稀有和频繁类别。E-IRFS 使用应用于图像和实例频率几何平均数的指数函数调整抽样概率，确保更自适应的平衡策略。我们在源自 Fireman-UAV-RGBT 数据集的 datasets 以及四个额外公开数据集上评估 E-IRFS，使用 YOLOv11 目标检测模型识别火灾、烟雾、人员和湖泊等紧急场景。结果表明，E-IRFS 在基线上提高了22%的检测性能，优于 RFS 和 IRFS，尤其在稀有类别方面表现更佳。分析还指出，E-IRFS 对轻量级模型的影响更大，因为这些模型在数据抽样策略方面更依赖于有限的容量来解决类别不平衡问题。本研究表明，E-IRFS 在资源受限环境中提高稀有目标检测性能，适用于无人机基于紧急监控的实时应用。代码已公开：https://github.com/futurians/E-IRFS。
引用
@article{arxiv.2503.21892,
title = {Shape and spin-state model of tumbling asteroid (319) Leona},
author = {J. Ďurech and J. L. Ortiz and M. Ferrais and E. Jehin and F. Pilcher and J. Delgado and J. Hanuš and F. Marchis and J. L. Rizos and M. Kretlow and R. Iglesias-Marzoa and M. R. Alarcon and M. Serra-Ricart and J. Licandro and D. Herald and Z. Benkhaldoun and A. Marciniak},
journal= {arXiv preprint arXiv:2503.21892},
year = {2025}
}