【DA】《Augmentation for small object detection》

最新推荐文章于 2024-08-19 18:33:44 发布

bryant_meng

最新推荐文章于 2024-08-19 18:33:44 发布

阅读量446

点赞数 10

分类专栏： CNN / Transformer 文章标签：目标检测人工智能计算机视觉小目标检测

本文链接：https://blog.csdn.net/bryant_meng/article/details/141316626

版权

210 篇文章 7 订阅

订阅专栏

在这里插入图片描述

arXiv-2019

1 Background and Motivation

基于深度学习的目标检测效果在MS COCO数据集上越来越好，但是小目标检出率还是无法媲美中目标或者大目标

在这里插入图片描述

原因

only a few images are containing small objects（含有小目标的图片占比比较小）
small objects do not appear enough even within each image containing them（每张图片的小目标数量也比较少——lack of diversity in the locations of small objects）

小目标比较少， both across images and across pixels

作者采用 oversampling 和 copy-pasting（not overlap with any existing object）方法来提升 MS COCO 数据集上小目标的检出率

在这里插入图片描述

Object Detection
Instance Segmentation
Small objects
- increasing the input image resolution
- fusing high-resolution features

用 oversampling 和 copy-paste 方法来提升目标检测任务中小目标的检出率

Small object detection by Mask R-CNN on MS COCO

在这里插入图片描述

统计的还算细致，average matching anchors 比较少，average max IoU 也比较小

large object spanning multiple sliding-window locations often has a high IoU with many anchor boxes

小目标面积比较小，负责预测的 grid anchor 也会少很多（只能说高质量的负样本会变少，因为每个GT只有一个 anchor 负责预测——以前的正负样本匹配策略，小目标比较小，周边 grid 的 anchor 可能覆盖不到目标，同为负样本，但质量应该没有大目标的高）

在这里插入图片描述

over-sample images containing small objects

（1）copy mask

（2）random transformations——object size ±20% and rotate it ±15°

（3）paste

在这里插入图片描述

MS COCO 2017

118,287 images for training, 5,000 images for validation and 40,670 test images.
860,001 and 36,781 objects from 80 categories are annotated with ground-truth bounding boxes and instance masks

在这里插入图片描述