针对监控场景目标检测的简单原地数据增强
计算机视觉与模式识别
2024-04-18 v1
摘要
针对标注样本有限的交通监控任务中模型性能的瓶颈，我们提出一种针对目标检测数据集的直观增强技术，专为固定摄像机部署的应用而设计。我们的做法聚焦于将目标置于与原始位置相同的坐标，以确保其有效性。通过对同一摄像机输入图像中的目标应用原地增强，我们解决了与原始及先前选中目标重叠的挑战。我们在两个交通监控数据集上进行大量测试，阐明了该增强策略在提升模型性能方面的有效性，尤其在标注样本有限且类别分布不平衡的场景中。值得注意的是，本方法在仅使用原始数据 8.5% 的情况下，即可实现相当于全量数据训练模型的性能。此外，我们报告了在 FishEye8K 数据集上的显著提升，[email protected] 从 0.4798 提升至 0.5025，[email protected]:.95 从 0.29 提升至 0.3138。这些结果凸显了该增强方法在提升交通监控应用中目标检测模型性能方面的潜力。
引用
@article{arxiv.2404.11226,
title = {Simple In-place Data Augmentation for Surveillance Object Detection},
author = {Munkh-Erdene Otgonbold and Ganzorig Batnasan and Munkhjargal Gochoo},
journal= {arXiv preprint arXiv:2404.11226},
year = {2024}
}
备注
CVPR Workshop 2024