面向具有标注不完整与数据不平衡特性的大规模层次化目标检测数据集的解决方案
计算机视觉与模式识别
2018-10-16 v1
摘要
本报告展示了我们针对 Open Images 2018 挑战赛的解决方案。基于对 Open Images 数据集（OID）的详细分析，发现其具有四个典型特征：大规模、层次化标签体系、严重的标注不完整以及数据不平衡。考虑到这些特点，我们采用了一系列策略，包括 SNIPER、软采样、类别感知采样（CAS）、层次化非极大值抑制（HNMS）等。借助这些有效策略，并进一步使用配备特征金字塔模块和可变形 ROIalign 的强有力 SENet154 作为骨干网络，我们的最佳单模型在公开排行榜上可达到 56.9% 的 mAP（平均精度均值）（排名第 2），在私有排行榜上 mAP 提升至 62.2%（排名第 2），私有榜为 58.6%（排名第 3，仅以 0.04 分之差略逊于第 1 名）。
引用
@article{arxiv.1810.06208,
title = {Solution for Large-Scale Hierarchical Object Detection Datasets with Incomplete Annotation and Data Imbalance},
author = {Yuan Gao and Xingyuan Bu and Yang Hu and Hui Shen and Ti Bai and Xubin Li and Shilei Wen},
journal= {arXiv preprint arXiv:1810.06208},
year = {2018}
}
备注
5 pages, 4 figures, ECCV 2018 Open Images workshop