人工智能 | 增强小目标检测（Augmentation for small object detection）

最新推荐文章于 2024-09-06 16:26:01 发布
最新推荐文章于 2024-09-06 16:26:01 发布
阅读量1.6w 收藏 116
点赞数 14
分类专栏： 人工智能 文章标签： 目标增强 小目标检测 物体检测
人工智能 专栏收录该内容
31 篇文章 1 订阅 ¥29.90 ¥99.00
订阅专栏
本文探讨了小目标检测在深度学习模型中的挑战，尤其是在MS COCO数据集上。作者分析了小物体在训练数据中较少出现的问题，并提出了过采样和增强策略。通过在包含小物体的图像上执行多次复制粘贴，增加它们的多样性，模型在小物体检测上取得了显著的性能提升，相对改进了9.7％的实例分割和7.1％的物体检测。研究还比较了不同的增强策略和粘贴算法，强调了对小物体和大物体之间平衡的重要性。
摘要由CSDN通过智能技术生成
了解本专栏 订阅专栏 解锁全文
小目标检测中的数据扩展（Augmentation for small object detection）
abrams90的专栏
04-18 1万+
Abstract 这些年来目标检测领域经历了令人印象深刻的进展。除了这些改进，在小目标检测与大目标检测领域还是有不小的差距。我们在MS COCO上分析了当前SOTA的模型Mask-RCNN。研究成果展示GT目标与预测的anchors的重叠远远小于期望的IoU阈值。我们猜测这可能是由两个情况导致的：1、只有少部分样本包含小目标；2、及时在包含小目标的样本中，小目标的数目也不够。我们因此提出过...
【论文笔记】：Augmentation for small object detection
Activewaste
02-22 1478
&Title: Augmentation for small object detection CVPR &Summary 作者分析MS COCO数据集，以及Mask RCNN在这个数据集上的目标识别、分割性能表现，发现模型对于很小的目标性能较差，认为是两个原因导致的： 含有小物体的图片少； 即使有的图片含有小物体，小物体出现得少。 提出在对存在小目标的图像进行overs...
目标检测-小目标检测方法
最新发布
午夜的行人
09-06 1241
每种方法和算法都有其优点和挑战，适当的选择和组合这些方法可以有效提升小目标的检测性能。根据具体的应用场景和计算资源需求，可以选择最适合的策略来优化模型的检测能力。
《Augmentation for small object detection》小目标检测的数据增强
qq_38109282的博客
09-25 2884
前言 这篇论文和CutMix思路有点类似，不过该篇论文主要是针对小目标数据的增强，CutMix注重的是数据增强中正则化，泛化的问题。该篇论文发布于2019CVPR Abstract 近年来，目标检测取得了令人瞩目的进展。尽管有这些改进，但在检测大小目标之间的性能仍有很大差距。我们在具有挑战性的数据集MS COCO上分析了当前最先进的模型Mask RCNN。我们表明，小的ground truth目标和预测的Anchor之间的重叠远低于预期的IoU阈值。我们推测这是由两个因素造成的； （1） 只有少数图像包含.
论文阅读：Augmentation for small object detection(小目标检测的增强)-CVPR2019
qq_41496108的博客
03-25 2271
论文题目：Augmentation for small object detection 文章目录论文题目：Augmentation for small object detection1.介绍1.1背景1.2 小目标检测困难的原因2.方法2.1Oversampling2.2 Copy-Pasting3.实验结果3.1Oversampling3.2Copy-Pasted3.3 Copy-Pasted Strategies 论文题目：Augmentation for small object detectio
论文阅读：Augmentation for small object detection
j879159541的博客
03-16 558
文章目录1、论文总述2、举例说明小目标的重要性3、COCO数据集中小目标的分布情况4、Augmentation与Oversampling结合时的3种策略5、复制-粘贴时的3种策略参考文献 1、论文总述 本篇论文主要针对COCO数据集上的小目标性能进行改进，相对来说，是比较实用的数据处理技巧，适用于所有的anchor-free和anchor-based的目标检测模型。 （1）对含有小目标的图像进行过采样，一般过采样率取3时较好，这样大目标受到的影响不会太大，因为总的来说，类别不平衡、不同尺度间的目标数量不平衡
Augmentation for small object detection
qq_43578042的博客
08-07 647
我们对MS COCO数据集上的当前最先进模型Mask-RCNN进行了分析。我们发现小物体的ground-truth与预测的锚框之间的重叠远远低于预期的IoU阈值。我们推测这是由两个因素造成的：（1）只有少数图像包含小物体，（2）即使在包含小物体的每个图像中，小物体也没有足够的出现次数。因此，我们提出对那些包含小物体的图像进行过采样，并通过多次复制粘贴小物体来增强每个图像。
Augmentation for small object detection.pdf
05-12
本文是一篇关于目标检测领域的研究论文，标题为“Augmentation for small object detection”。论文的主要研究内容是针对小目标检测问题，在现有的目标检测技术中，尤其是当目标物体尺寸较小时，性能与检测大尺寸...
深度学习笔记 Augmentation for small object detection（翻译）
weixin_44836143的博客
05-16 649
一. abstract 二. Introduction 三. Related Work 三. Identifying issues with detecting small objects 四. Identifying issues with detecting small objects 五. Experimental Setup 六. Result and Analysis 六. Conclusion References 一. abstract 　　这些年来，目标检测取得了令人瞩目的成就。尽管改进很大
深度学习笔记（十）Augmentation for small object detection（翻译）
weixin_30674525的博客
07-14 700
一.abstract 　　这些年来，目标检测取得了令人瞩目的成就。尽管改进很大，但对于小目标和大目标的检测性能差异还是蛮大的。我们在 MS COCO 数据集上分析了如今一个比较先进的算法，Mask-RCNN。我们发现小目标的 GT 和检测框之间 IOU 远小于期望的阈值（比如0.5）。我们推测这是由于两个因素: 1) 包含小目标的图片的数量忒少, 2) 即使每张图片里都有小目标，这些...
【文献阅读8】Augmentation for small object detection-小目标检测数据扩增
我是大阿周的学习博客
12-29 1310
Augmentation for small object detection-小目标检测数据扩增摘要1 引言 本文仅作简单翻译阅读学习 论文名称：Augmentation for small object detection 论文地址：https://arxiv.org/pdf/1902.07296.pdf 作者：Mate Kisantal、Zbigniew Wojna et al. 摘要 项目 内容 问题 小的地面真实物体和预测锚之间的重叠比预期的IoU阈值低得多。 因素 (1
DataAugmentationForObjectDetection：用于对象检测的数据增强
02-05
用于对象检测的数据增强 随附代码，介绍了 依存关系 OpenCV 3.x版 脾气暴躁的 Matplotlib 我们支持各种数据扩充。 水平翻转 缩放比例 翻译 回转 剪力 调整大小 快速开始 可以在此版本库的文件quick-start.ipynb中找到一个quick-start.ipynb教程。 文献资料 通过在浏览器或此打开docs/build/html/index.html ，可以找到所有可能的转换和详细文档的列表
论文阅读 Augmentation for small object detection
weixin_45935290的博客
07-14 475
近年来，物体检测取得了令人瞩目的进展。尽管有了这些改进，但小物体和大物体的检测性能之间仍存在显著差距。我们对MS COCO数据集上的当前最先进模型Mask-RCNN进行了分析。我们发现小物体的ground-truth与预测的锚框之间的重叠远远低于预期的IoU阈值。我们推测这是由两个因素造成的：（1）只有少数图像包含小物体，（2）即使在包含小物体的每个图像中，小物体也没有足够的出现次数。因此，我们提出对那些包含小物体的图像进行过采样，并通过多次复制粘贴小物体来增强每个图像。
【Augmentation Zoo】Augmentation for small object detection的代码实现
qq_40731332的博客
08-03 1238
MS COCO中对small object的定义是矩形框小于32 x 32。 一、Oversampling：3x 效果最佳 二、Augmentation：第3种策略最佳 1. 用augmented图片替代original图片 2. 将augmented图片复制一次 3. augmented图片（0.5的概率执行）+ original图片 三、Copy-Pasting Strategies 1. 一张图片中，随机选择一个小目标进行多次复制，放置在随机位置。复制一次效果最好 2. 一张图片
小目标检测
u010451780的专栏
05-17 8199
博主github：https://github.com/MichaelBeechan 博主CSDN：https://blog.csdn.net/u011344545 Augmentation for small object detection Mate Kisantal kisantal.mate@gmail.com Zbigniew Wojna zbigniewwojna@gmail.com Jakub Murawski kuba.murawski96@gmail.com Jacek Narunie
【计算机视觉】小目标检测优化专题
zhumin19910702的博客
11-09 4199
小目标检测长期以来是计算机视觉中的一个难点和研究热点。在深度学习的驱动下，小目标检测已取得了重大突破，并成功应用于国防安全、智能交通和工业自动化等领域。本文致力于分析和整理一些前沿的小目标检测算法研究，并给出一些自己的思考和实践心得！
Small Object Detection using Context and Attention
qq_43403200的博客
09-11 932
Small Object Detection using Context and Attention阅读记录 论文链接：https://arxiv.org/abs/1912.06319v2 Abstract 作者使用上下文信息和注意力机制检测小目标。 作者使用传统的SSD为基线，当网络输入为300x300时，其在Pascal VOC2007上的mAP为78.1%。 Introduction 作者认为解决小目标检测的关键是如何有效的利用上下文信息。 作者使用深层的抽象信息作为上下文信息，在浅层使用注意力机制，
Small Object Detection using Context and Attention（使用上下文和注意力机制的小型物体检测）
知欧zhou的博客
10-27 5286
Small Object Detection using Context and Attention 使用上下文和注意力机制的小型物体检测 Jeong-Seon Lim University of Science and Technology jungsun0427@etri.re.kr Marcella Astrid University of Science and Technology marcella.astrid@ust.ac....
小目标检测small object detection
carlous0的专栏
12-09 1980
整理了两个github上两个罗列近期small object detection相关工作的链接。 第一个链接：https://github.com/kuanhungchen/awesome-tiny-object-detection 这个链接的title是tiny object，估计只有我这个小聪明能找到，这个链接比较推荐，罗列的工作都是一些较好的会议和期刊上的工作。 第二个链接：https://github.com/ispc-lab/SmallObjectDetectionList 这个链接的
augmentation for small object detection
03-16
小物体检测的数据增强方法包括： 1. 图像翻转：水平翻转和垂直翻转 2. 随机剪切：在图像中随机选择一个区域 3. 随机调整亮度、对比度、饱和度等 4. 图像旋转：随机旋转一定角度 5. 随机添加噪声：高斯噪声、椒盐噪声等 6. 随机缩放：改变图像的尺寸 这些方法可以有效扩充训练数据，提高模型对小物体的检测准确率。
评论 7
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值