YOLOv5 目标检测中的类不平衡:实验诊断与缓解策略研究

目录

摘要

1 介绍

2 方法

2.1 数据集建设

2.2 模型架构

2.3 处理前景-前景类不平衡的方法

2.3.1 抽样

阶级抽样

重复因子采样

2.3.2 Reweighing损失

2.3.3 增大

马赛克增大

混合增强

3 实现细节

3.1 数据集和指标

3.2 框架的细节

3.3 培训设置

4 结果与讨论

4.1 抽样        

4.2 Reweighing损失

4.3 增大

5 结论

---

摘要

        目标检测是计算机视觉中的一项关键任务，经常受到数据集不平衡的阻碍，特别是未被探索的前景-前景类不平衡问题。这 种对前景-前景类不平衡的缺乏关注，在单阶段检测器的背景下变得更加明显。本研究引入了一个利用YOLOv5单级检测器 的基准测试框架来解决前景-前景类不平衡问题。我们从COCO数据集中制作了一个新的10类长尾数据集，称为COCO-ZIPF， 专门用于反映具有有限数量对象类的常见现实检测场景。在此背景下，我们仔细研究了三种既定的技术:采样、损失称重和 数据增强。我们的比较分析表明，采样和损失重称重方法虽然在两级检