用背景重标定损失解决缺失标注目标检测问题
计算机视觉与模式识别
2020-08-05 v2 机器学习
摘要
本文关注一种新颖且具挑战性的检测场景：数据集中大多数真实物体/实例未被标注，因此这些缺失标注区域在训练期间将被视为背景。先前关于此问题的工作提出使用软采样基于与正实例的重叠对 RoI 梯度重新加权，而其方法主要基于两阶段检测器（即 Faster RCNN），其对缺失标注场景更鲁棒且友好。在本文中，我们引入一种称为背景重标定损失（BRL）的更优解决方案，可根据预定义的 IoU 阈值与输入图像自动重标定损失信号。我们的设计构建于更快更轻的一阶段检测器上。受 Focal Loss 公式启发，我们做了若干重要修改以适配缺失标注情形。我们在精心整理的 PASCAL VOC 与 MS COCO 数据集上进行了广泛实验。结果表明，我们所提方法大幅优于基线与其他最先进方法。代码可用：https://github.com/Dwrety/mmdetection-selective-iou。
引用
@article{arxiv.2002.05274,
title = {Solving Missing-Annotation Object Detection with Background Recalibration Loss},
author = {Han Zhang and Fangyi Chen and Zhiqiang Shen and Qiqi Hao and Chenchen Zhu and Marios Savvides},
journal= {arXiv preprint arXiv:2002.05274},
year = {2020}
}
备注
5 pages. Paper has been accepted by ICASSP 2020 for presentation in a lecture (oral) session