《表4 其他基于深度学习的小目标检测方法》
Zoph等人[86]表示,未来的轻量化模型提取特征的能力必然有限,从数据增强方面入手是增强检测效果的利器,并假设当提出的特征足够好,利用数据增强可以摆脱当前算法严重的数据驱动依赖。Kisantal等人[87]认为,小目标检测精度低主要有两个原因,一是现有公共数据集中含有小目标的图片较少,二是即便图片中含有小目标,但是出现次数少模型训练不充分,针对这点提出了一种过度采样复制粘贴小目标以增强数据的手段。如图10所示,通过复制图像中小目标粘贴到图像中的不同位置,增加了图像中小目标的数量和位置多样性,同时相对应匹配的anchor数目也会增强,从而降低了漏检率,以Mask RCNN算法为基准,在MS COCO数据集上相比未进行数据增强的方法,小目标的检测精度提高了7.1个百分点。除此之外,还有一些学者也提出了一些基于深度学习的小目标检测算法,如表4所示。
图表编号 | XD00197463400 严禁用于非法目的 |
---|---|
绘制时间 | 2021.01.15 |
作者 | 刘洋、战荫伟 |
绘制单位 | 广东工业大学计算机学院、广东工业大学计算机学院 |
更多格式 | 高清、无水印(增值服务) |