What’s in the Black Box?The False Negative Mechanisms Inside Object Detectors
Why Object Detectors Fail: Investigating the Influence of the Dataset
错检(没有检测到具有正确类别标签且IoU大于0.5的对象)对于某些任务(医学、自动驾驶、机器人、军事打击)更为重要
问题引出
怎么产生的假阴性(错检)?不同数据集是否有差别?影响因素是?
方法
通过分析不同数据集的影响
目标检测中的假阴性描述了探测器未正确定位和分类的目标。前文(What’s in the Black Box?
The False Negative Mechanisms Inside Object Detectors)介绍了五种“假阴性机制”,用于识别探测器体系结构中未能检测到对象的特定组件。利用这些机制,探索不同的计算机视觉数据集(Microsoft COCO、Pascal VOC、ExDark、ObjectNet、COD10K)及其固有特性如何影响对象检测器假阴性机制。我们具体分析了不同数据集中误报机制分布的变化,以及目标类和目标大小等数据集属性如何影响所引发的误报机制
结果表明,目标大小和类别会影响物体检测器的假阴性机制。我们还表明,在不同的数据集中比较单个对象类的假阴性机制可以突出数据集中潜在的未知偏差。
错误机制分类
Proposal Process False Negative Mechanism
通过计算目标对象边界框和所有对象建议(对于单阶段,为所有锚框)之间的IoU来识别这种机制,低于为该机制问题
Regressor False Negative Mechanism
当满足上一机制有建议锚框后,经过回归器修正后反而达不到阈值,则为该故障机制。
Interclass Classification and Background Classification False Negative Mechanisms
如果定位到了目标,但分类分数低于,如果分错了类,或者分成了背景,则为此机制问题
Classifier Calibration False Negative Mechanism
对于满足上述定位和分类分数的,可能有多个。这需要使用NMS。
当正确定位的目标框被为定位目标的检测框抑制,则为此类错误机制。
实验
结论
鉴于我们观察到测试数据属性影响探测器失败的原因,目标探测器的未来发展应与对测试数据特征的理解紧密结合。此外,我们还表明,比较单个类的假阴性机制可以揭示数据集之间的差异。其中一些差异可能与数据集的已知和报告特征有关(例如,伪装数据集会导致更多的背景分类假阴性),但其他差异则无法立即直观或解释。将来,这可以作为进一步调查数据集中存在未知偏差的工具。