基于槽位的图像增强系统用于目标检测

目标检测一直是计算机视觉中的重要课题。随着深度学习的持续发展，许多先进的学术与工业成果建立在定位与分类目标对象之上，如实例分割、视频跟踪与机器人视觉。作为深度学习的核心概念，深度神经网络（DNNs）及相关训练与任务驱动建模高度融合，对准确检测有重大影响。提升检测性能的主要焦点是提出具有额外层与新拓扑连接的 DNN 以从输入数据提取所需特征。然而，训练这些模型可能因复杂模型架构与海量参数而成为计算昂贵且费力的过程。此外，数据集因样本不足或难例也是导致此问题及低检测精度的另一原因。为解决这些训练困难，本文提出两种以相对轻量方式提升检测性能的方法。作为深度学习数据驱动的内在特征，第一种方法是“基于槽位的图像增强”，通过额外的前景与背景组合丰富数据集。与常用的图像翻转方法不同，所提系统以更少的额外图像实现了相似的 mAP 提升，从而减少了训练时间。该增强系统具有适应多种场景的额外灵活性，且性能驱动的分析提供了进行图像增强的替代视角。