GBF loss 相比传统的行人跟踪,UAV视频更复杂,有类别不平衡问题和小尺寸目标检测问题。为此问题提出了GBF loss监督heatmap。GBF loss是在原本的交叉熵损失基础上增加了两个自适应的权重,用于类平衡的W_b和小目标的W_s,即GBF=W_b\cdot W_s \cdot L_{Hm},W_s给小尺寸物体更大的权重,计算方式为W_s=e^{-(w\cdot h-\mu)}+1,w和h分别为物体边界框的宽和高,\mu=5为超参数。W_b根据梯度给正负样本不同的权重,计算方式为W_b=pos_w \cdot Hm+neg_w \cdot (1-Hm),其中pos_w 和neg_w 分别代表正负样本的权重,由CVPR2021的方法 Equalization loss v2: A new gradient balance approach for long-tailed object detection 计算得到。
实验结果
使用VisDrone2019和UAVDT两个数据集进行实验。
VisDrone2019有训练集56个视频,验证集7个,测试集33个(test-challenge: 16,test-dev: 17),包括十个类别:pedestrian, person, car, van, bus, truck, motor, bicycle, awning-tricycle, and tricycle.本文只考虑了其中5类:car, bus, truck, pedestrian, and van.
UAVDT数据集用于机动车检测和跟踪,有训练集30个视频,测试集20个。包括3个类别:car, truck, and bus。本文只考虑car类别。
与SOTA的性能对比: