[Paper Reading Note] Scale Match for Tiny Person Detection

Paper Reading Note

URL: https://arxiv.org/pdf/1912.10664.pdf

TL;DR

---

论文提出了一个新的benchmark, TinyPerson, 其中包含了很多小的人体目标，另外，作者通过实验发现，在检测任务中，pre-training和detector训练数据之间的mismatch会导致检测器性能下降，因此提出了一种Scale Match手段来align两部分的数据集以提升检测器性能

Dataset/Algorithm/Model/Experiment Detail

首先是TinyPerson的介绍，主要针对的是小目标的人体检测，作者称这是第一个远距离且含有大量背景的人体检测benchmark，如图1上半部分和图2所示，该数据集中的人体非常小，也显示出对于小目标人体检测的困难。如图1下半部分所示，与其他benchmark相比，TinyPerson中的小尺度人体分布比例明显更高



如表1所示，TinyPerson中的aspect ratio具有较高的方差，这个检测任务带来了更多挑战。另外，作者还提到TinyPerson中含有较多密集的case(200个目标以上)

目前检测任务中，通常会使用额外的数据预训练模型，然后再使用针对某一任务的数据集进行fine-tune，这样做能够对模型效果有一定提升。然而，当这些额外数据的domain与实际任务的domain相差较大时（比如两者的scale差距较大），提升效果就比较有限了。
为了解决该问题，作者提出一种方法，来保持额外的数据与task-specific的训练数据(TinyPerson)的一致性，通过一个变换 $T$ ,使得两个数据集目标大小的分布变得一致，如公式(3)所示，其中额外的数据记为E, TinyPerson记为D

具体的scale match过程如图4所示,具体的算法如算法1所示，概括如下
其中 $G_{ij}$ 表示第 $i$ 个image中的第 $j$ 个gt， $AS$ 表示绝对大小，


scale matching的结果如图5所示，从结果上看效果还是比较好的，尽管如此，目前的scale matching策略可能导致错序的问题：一个很小的目标可能在算法中sample到很大的目标，反之亦然，因此，作者又提出了单调的scale matching策略，如图6所示，使用一个单调函数 $f$ 对数据集 $E$ 中大小为 $s$ 的目标映射到 $\hat{s}$ ,如公式(6)所示：



采用两种策略下的结果如表7和表8所示，对于Miss Rate和Average Precison都带来了提升

Thoughts

文章的主要卖点是数据集以及scale matching的方式，后者对于工业界实际的一些业务可能会带来帮助