CVPRMay, 2020

野外大规模不平衡多标签物体检测

PDF
TL;DR本文提出了一种处理 Open Images 数据集中目标多标签和标签分布不平衡问题的方法，使用 concurrent softmax 处理多标签问题并提出一种混合训练计划的软采样方法来解决标签分布不平衡问题，实验结果在公共测试集上达到了最佳水平。
deep learningobject detectionopen images datasetmulti-label problemslabel imbalance
发现论文，激发创造
  • 基于数据不平衡的大规模分层目标检测高效网络学习：Open Images Challenge 2019 第三名方案

    该研究报告详细介绍了他们对 Google AI Open Images Challenge 2019 目标检测赛题的解决方案。通过对 Open Images 数据集进行详细分析，提出了采用大型骨干网络、分布式 softmax 损失、类别感知采样等策略，在最优模型的基础上进行模型融合，最终在该挑战中获得了第三名，公共排行榜 mAP 为 67.17，私有排行榜为 64.21。

    Oct, 2019

  • 解决大规模分层目标检测数据集中不完整标注和数据不平衡问题

    本报告运用 SNIPER、class-aware sampling、feature pyramid module、deformable ROIalign 等有效策略，以 Open Images Datasets 为数据集，在强大的 SENet154 的支持下，取得了 62.2% 的 mAP，位列公共领袖板（第 2 名）和私人领袖板（第 3 名），只比第一名低了 0.04 个点。

    Oct, 2018

  • BigDetection：用于改善目标检测预训练的大规模基准测试

    本文介绍了一个新型的大规模基准数据集 BigDetection，它通过整合多个现有数据集并提供更大样本数量、更统一的标注体系，可以用于改进物体检测算法的预训练效果，并已被证明是一个有效的检测方法评估标准。

    Mar, 2022

  • Open Images 数据集 V4: 大规模统一图像分类、物体检测和视觉关系检测

    Open Images V4 是一份有关图像分类、物体检测和视觉关系检测的数据集，包括了 9.2M 幅图片，其中包含了 30.1M 个图像级标签，15.4M 个边界框，以及 375k 个涉及 57 类的视觉关系注释。

    Nov, 2018

  • 通过保持标签分布提高物体检测性能

    我们提出了一种通过多标签分层来均匀分布图像中的类别从而解决目标检测中的类别不平衡问题的方法，并发现该方法在严重不平衡且数据较少的数据集上效果更好。

    Aug, 2023

  • 面向实际场景的未知分布检测扩展

    本研究探讨了基于大规模分类器和高分辨率图像的复杂场景下的异常检测，为未来真实世界的应用提供了新的基准，并发现简单的最大对数检测器在所有大规模多类别、多标签和分割任务中均优于之前的方法，成为未来工作的一个新基线。

    Nov, 2019

  • ScaleDet: 一种可扩展的多数据集对象检测器

    本文提出了一种可扩展的多数据集检测器 (ScaleDet)，使用语义标签相似性通过视觉 - 文字对齐训练来学习标签分配，从而在多个数据集上实现了强大的模型性能，超越了相同骨干网络的最新检测器。

    Jun, 2023

  • 目标检测中的经验上限及更多

    通过分析 15 多个模型在 4 个数据集上的表现，确定了基于深度学习的目标检测算法的平衡点，并发现分类错误是目标检测中错误的主要来源，而上下文对于检测小目标比大目标更重要。

    Nov, 2019

  • OpenNet: 自动驾驶目标检测的增量学习与平衡损失

    提出了一种用于自动驾驶目标检测的方法，通过平衡损失来缓解类别不平衡，采用梯度重塑的归纳层快速学习有限样本的新类别，通过归一化特征蒸馏来防止灾难性遗忘，并通过 FPN 和基于能量的检测提高多尺度检测稳健性和未知类别识别性能，实验证明该方法在 CODA 数据集上表现出更好的性能。

    Nov, 2023

  • 目标检测中的类别不平衡：实证诊断与缓解策略研究

    使用 YOLOv5 单阶段检测器解决前景 - 前景类别不平衡问题，通过采样和重加权方法对比分析发现，数据增强方法，特别是马赛克和混合推动了模型在 COCO-ZIPF 数据集上的表现。

    Mar, 2024