小目标检测的增强
通过使用基于 GAN 的增强方法,可以改善在 VOC Pascal 数据集上的小物体检测。实验证明,该方法可以提高小物体检测的精度,并且与其他流行的增强策略(如物体旋转和平移)相比表现更佳,基于 FasterRCNN 模型实现。
Aug, 2022
提出了一种利用上下文改进小目标检测准确性的方法,该方法使用不同层的多尺度特征作为上下文来增强小目标检测的准确性,并提出带有注意机制的物体检测方法,可以专注于图像中的对象并包括目标层的上下文信息。实验结果表明,该方法在检测小目标方面的准确性比传统 SSD 更高,在 PASCAL VOC2007 测试集上实现了 78.1%的 mAP。
Dec, 2019
探究了在缺失标注情况下,目标检测的鲁棒性。实验显示通过 Soft Sampling 方法对梯度进行加权能够提高检测成功率,尤其在真实数据集中的表现优于标准检测基线。
Jun, 2018
本文提出了三种数据增强方法,包括比例自适应模块、镶嵌技术和数据集重采样,以解决航空图像目标检测中的尺度变化、稀疏性和类别不平衡问题,并在 VisDrone 和 UAVDT 数据集上实现了最先进的性能。
Sep, 2020
提出了一种利用现有实例蒙版注释来增强训练集的简单、高效、有效的方法,通过引入随机抖动来改善 Mask R-CNN 的性能,并提出了一种基于位置概率图的方法来探索可以根据局部外观相似性放置对象的可行位置,其对实例分割的性能提高了 2.2mAP (COCO 数据集) 和 2.2mAP (Pascal VOC 数据集)。
Aug, 2019
本论文针对计算机视觉中重要的挑战之一 —— 构建数据有效且能处理罕见对象类别的实例分割模型,研究了一种使用数据增强方法的 Copy-Paste 方法,并发现简单的随机粘贴对象机制足以提供良好的性能,并且能够与半监督学习方法相结合获得更好的结果。在 COCO 实例分割任务和 LVIS 评测中,该方法均获得了优异的表现。
Dec, 2020
采用 DeepEnsembleCoco 的方法,利用 R-CNN 模型与深度 CNN 模型的集成来实现在目标检测方面取得最新的成果,并且在 PASCAL VOC 2012 比赛中的表现已超过以往所有的方法。
Jun, 2015
为了提高具有有限标记样本的交通监测任务中模型的性能,我们提出了一种面向静态摄像头应用的对象检测数据集的简单增强技术,通过将对象放置在与原始对象相同的位置上来确保其有效性,并通过对同一摄像机输入图像中的对象进行就地增强,解决了与原始和先前选择的对象重叠的挑战。通过在两个交通监测数据集上进行广泛测试,我们展示了我们增强策略在提高模型性能方面的功效,特别是在具有有限标记样本和类别分布不平衡情况下的场景。值得注意的是,我们的方法仅利用原始数据的 8.5%,就能达到与在整个数据集上训练的模型相当的性能。此外,在 FishEye8K 数据集上,我们报告了显著的改进,[email protected] 从 0.4798 提高到 0.5025,[email protected]:.95 从 0.29 提高到 0.3138。这些结果突显了我们增强方法在提升交通监测应用的目标检测模型方面的潜力。
Apr, 2024
该研究提出了一种新的数据增强方法,通过一种特定的复制 - 粘贴方案并结合共识学习和深度估计方法,解决了 2D 目标检测中存在的物体重叠问题,进一步提高了在拥挤场景下的检测效果。
Nov, 2022
在通常正常的数据增量中增加特定任务需求的先验知识,在对象检测语境下,通过利用卷积神经网络来预测图像中可以放置物体的区域,同时仅使用有限的数据集,通过弱监督学习得到显著的提高。
Sep, 2018