用于鲁棒目标检测的软采样
计算机视觉与模式识别
2019-07-23 v2
摘要
我们研究了在存在标注缺失情况下目标检测的鲁棒性。在此设定下，未标注的目标实例将被视为背景，从而给检测器生成错误的训练信号。有趣的是，我们观察到在丢弃30%的标注(并将其标为背景)后，基于CNN的目标检测器(如Faster-RCNN)在PASCAL VOC数据集上的性能仅下降5%。我们对此结果给出了详细解释。为进一步弥合性能差距，我们提出了一种简单而有效的解决方案，称为软采样(Soft Sampling)。软采样根据RoI与正实例的重叠程度对其梯度重新加权。这确保了不确定的背景区域相比困难负样本获得更小的权重。在精心处理的PASCAL VOC数据集上的大量实验证明了所提软采样方法在不同标注丢弃率下的有效性。最后，我们表明在具有标注缺失的真实世界数据集OpenImagesV3上，软采样以超过3%的优势优于标准检测基线。
引用
@article{arxiv.1806.06986,
title = {Soft Sampling for Robust Object Detection},
author = {Zhe Wu and Navaneeth Bodla and Bharat Singh and Mahyar Najibi and Rama Chellappa and Larry S. Davis},
journal= {arXiv preprint arXiv:1806.06986},
year = {2019}
}
备注
Accepted in BMVC 2019