前往小程序,Get更优阅读体验!
立即前往
首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >目标检测中的不平衡问题综述

目标检测中的不平衡问题综述

作者头像
OpenCV学堂
发布2019-09-17 16:33:27
1.7K0
发布2019-09-17 16:33:27
举报
文章被收录于专栏:贾志刚-OpenCV学堂

今天跟大家推荐一篇前几天新出的投向TPAMI的论文:Imbalance Problems in Object Detection: A Review,作者详细考察了目标检测中的不平衡问题(注意不仅仅是样本中的不平衡问题)及其解决方案,是目标检测领域目前最新的也是非常独特的综述。

读完之后,你会发现,原来新出的这么多算法,多半是为了解决不平衡问题!

以下是作者信息:

该文作者均来自土耳其中东科技大学。

什么是不平衡问题?

弄清这个问题,非常重要,作者让我们重新审视目标检测的数据和算法流程,对于任何输入的特性的分布,如果它影响到了最终精度,都是不平衡问题。

一个我们最常想到的不平衡问题是:目标类别的不平衡。比如猫狗数据标注数量差异比较大。

但这只是类别个数这一个输入特性。

作者将不平衡问题分成四种类型,如下表:

1. 类别不平衡:前景和背景不平衡、前景中不同类别输入包围框的个数不平衡;

2. 尺度不平衡:输入图像和包围框的尺度不平衡,不同特征层对最终结果贡献不平衡;

3. 空间不平衡:不同样本对回归损失的贡献不平衡、正样本IoU分布不平衡、目标在图像中的位置不平衡;

4. 目标函数不平衡:不同任务(比如回归和分类)对全局损失的贡献不平衡。

作者这个定义和总结非常全面,想想之前很多算法也是为了解决上述某一个不平衡问题。

主流目标检测算法的训练大致流程,与四种不平衡问题的示例:

作者将目前上述不平衡问题及相应目前学术界提出的解决方案,融合进了下面这张超有信息量的图(请点击查看大图):

作者对文献的收集总结非常细致全面,很多论文都是今年才出的。这块内容非常丰富,建议大家阅读论文原文。

作者又从方法的角度总结了这些解决不平衡问题的目标检测算法(请点击查看大图):

不平衡问题,当然并没有完全被解决,作者在Github上建了项目,分类别跟踪相关技术发展:

https://github.com/kemaloksuz/ObjectDetectionImbalance

这篇论文综述对该领域进行了详尽的调查,非常值得做相关方向的同学参考。

论文地址:

https://arxiv.org/abs/1909.00169

本文参与 腾讯云自媒体同步曝光计划,分享自微信公众号。
原始发表:2019-09-16,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 OpenCV学堂 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体同步曝光计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
图像识别
腾讯云图像识别基于深度学习等人工智能技术,提供车辆,物体及场景等检测和识别服务, 已上线产品子功能包含车辆识别,商品识别,宠物识别,文件封识别等,更多功能接口敬请期待。
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档