目标检测中的不平衡问题综述

论文速递 小白学CV ⋅ 于 1个月前 ⋅ 1613 阅读

来源:我爱计算机视觉 @微信公众号 (ID: aicvml)


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:
file

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:
file

  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:
file

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):
file

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):
file

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


推荐阅读:
那个 14 岁上大学、17 岁读博、24 岁成教授的天才神童,如今怎样了?
机器学习 + 系统 : 一个新的方向
小样本学习(Few-shot Learning)综述

大白

本帖已被设为精华帖!
本帖由 Admin 于 1周前 加精
回复数量: 0
暂无回复~
您需要登陆以后才能留下评论!