目录
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