作者导读：Select-Mosaic:密集小目标场景下的数据增强方法

 论文地址：
Select-Mosaic: Data Augmentation Method for Dense Small Object Scenes

代码

摘要：

       数据增强是指通过对原始数据进行一系列变换或扩充，生成新的样本以增加数据的多样性和数量，从而有效提高模型的性能和鲁棒性。作为一种常见的数据增强方法，Mosaic数据增强技术通过将多个图像拼接在一起，增加训练数据的多样性和复杂性，可以减轻过拟合的风险。尽管Mosaic数据增强通过拼接图像能够在一般的检测任务取得优异的成绩，但对于特定场景下的检测任务仍然具有一定局限。本文针对航拍影像中检测分布大量密集小目标这一挑战，通过使用细粒度的区域选择策略改进的mosaic数据增强，提出Select-Mosaic数据增强方法。改进后的Select-Mosaic方法在处理密集小目标检测任务时表现出更优异的性能，显著提升了检测模型的准确性和稳定性。

方法： Select-Mosaic

图1 Select-Mosaic 示意图

如图1所示，Select-Mosaic数据增强方法示意图。

图（a）为mosaic数据增强，首先生成一个mosaic图像掩膜，然后在mosaic图像掩膜内部随机生成一个坐标作为拼接中心点。接着在数据中随机选取4张图片，沿着拼接中心点进行自由拼接，最后得到数据增强后的mosaic图像。

图（b）为select-mosaic数据增强，在拼接步骤之前先进行select操作，将指定的图像放入指定位置，接着进行选择性的拼接，具体而言，计算每张图像内部目标密度，找出目标密度最大的图像，计算4块掩膜的面积，找出面积最大的掩膜。将目标密度最大的图像放置在面积最大的掩膜内，将其它三张图像沿着拼接中心点在mosaic掩膜内部进行随机拼接。图2 Select-Mosaic 流程图

图2 Select-Mosaic 流程图

Select-Mosaic数据增强步骤如图2所示，其中（a）为mosaic数据增强步骤，（b）为Select-Mosaic数据增强步骤，可以看出与mosaic数据增强相比Select-Mosaic数据增强增加了“Calculate Target Density & Calculate Mask Area”这一操作可以增加密集小目标的场景出现的概率，使模型更为聚焦密集场景下的检测，从而提升检测效果。在模型训练过程中通常将Select-Mosaic与Mosaic混合使用，在使用Select-Mosaic时候，可以通过调节参数S控制区域选择操作的概率，当概率随机数是小于概率参数S，使用Select-Mosaic数据增强，在数据增强过程中执行区域选择操作。当概率随机数是大于概率参数S时，则不执行区域选择操作，为一般的Mosaic数据增强。这一设置的目的是为了控制Select-Mosaic数据增强对不同检测任务的影响。

实验：

为了验证本文Select-Mosaic数据增强有效性，在遥感数据集AI-TOD数据集进行实验，YOLOv5作为基础模型，将区域选择概率S设置不同的值进行消融实验，实验结果见表1。

Methods	P (%)	R (%)	AP50(%)	mAP(%)
Mosaic	66.65	40.30	42.70	18.06
Select-Mosaic(S=0.1)	67.46	41.27	43.38	18.32
Select-Mosaic(S=0.2)	69.55	40.14	43.39	18.35
Select-Mosaic(S=0.3)	66.54	41.57	43.09	18.39
Select-Mosaic(S=0.4)	67.08	41.78	44.21	18.73
Select-Mosaic(S=0.5)	69.14	41.37	43.31	18.62
Select-Mosaic(S=0.6)	68.33	41.14	43.70	18.66
Select-Mosaic(S=0.7)	67.56	41.18	43.43	18.59
Select-Mosaic(S=0.8)	64.26	41.54	44.87	19.05
Select-Mosaic(S=0.9)	67.22	41.72	43.84	18.64
Select-Mosaic(S=1.0)	66.26	41.19	42.86	18.68

表1：Select-Mosaic数据增强消融实验结果

为了证明Select-Mosaic的泛化性，在Visdrone2019数据集进行对比实验，基础模型为YOLOv5，实验结果如表2。

Methods	P (%)	R (%)	AP50(%)	mAP(%)
Mosaic	50.22	42.93	42.73	24.86
Select-Mosaic	52.15	42.47	43.11	25.08

表2：Select-Mosaic数据增强对比实验结果

结论：

本文提出的Select-Mosaic数据增强方法通过引入细粒度的区域选择策略，改进传统的Mosaic数据增强技术，适用于航拍影像中密集小目标的检测任务。实验结果表明，改进后的Select-Mosaic方法在处理密集小目标检测时，显著提升了检测模型的准确性和稳定性。具体结论如下：相比于Mosaic数据增强，基于YOLOv5使用Select-Mosaic数据增强后，在AI-TOD数据集与Visdrone2019数据集上，AP50分别提升了2.17%和0.37%。综上所述，本文提出的Select-Mosaic数据增强方法通过细粒度的区域选择策略，有效改善了传统Mosaic方法在密集小目标检测任务中的局限性。未来研究可以进一步探索该方法在其他类型目标检测任务中的适用性和扩展性，从而推动数据增强技术在计算机视觉领域的持续发展。