通过保持标签分布提高物体检测性能
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。
May, 2020
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
该研究探讨了利用自信学习算法来改善训练数据集的质量,通过发现原始训练数据集中的错误标签,可以消除其根源上的错误样本并重新标注可疑的边界框来提高数据集的质量,最终提高目标检测算法的性能。
Nov, 2022
本文提出了一个统一的主动学习框架,并考虑到了检测器的不确定性和鲁棒性,从而保证了网络在所有类中的良好表现,并利用自动标注抑制潜在的分布漂移,提高了模型的性能。实验表明,我们的方法在 PASCAL VOC07+12 和 MS-COCO 上始终优于广泛应用的主动学习方法,在 mAP 上提高了 7.7%, 或在标注成本上降低了 82%。
Jun, 2021
本文提出了一种用于评估图像分类器检测类别 - 分布外实例能力的新框架,并将该技术应用于 ImageNet 数据集,分析结果揭示了多个新观察,包括知识蒸馏能够一致提高分布外实例检测性能,ViTs 的子集比任何其他模型都能更好地检测出分布外实例等。
Feb, 2023
本研究通过详细描述检测的域适应问题并对各种方法进行广泛概述,强调提出的策略及其相关的缺点,为未来的研究提供有前途的问题,并向计算机视觉、生物计算、医学影像和自主导航等领域的模式识别专家介绍了当前进展的现状。
May, 2021
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
本文研究了基于印度驾驶数据集(IDD)进行物体检测的增量学习问题,提出了一种采用多个领域特定分类器和有效的迁移学习方法来避免灾难性遗忘的方法,并在 IDD 和 BDD100K 数据集上进行评估。结果表明,在环境领域移位的情况下,我们的领域适应性方法是有效的。
Sep, 2019