.png){kind=icon}
返回
Scale Margin Loss for Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1007/978-981-95-3052-6_26.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
基于自然数据训练的目标检测模型常面临尺度不平衡问题，不同尺寸的物体提供的信息特征价值各异。较大物体通常包含更丰富和详细的特征信息，而较小物体往往缺乏足够的区分特征，且易受背景噪声干扰。这种不平衡可能导致模型陷入次优学习状态：虽然能有效定位大物体的有效特征，却可能难以定位小物体的噪声特征。为解决此问题，我们提出了一种尺度边界损失（scale margin loss），旨在降低模型对小物体的过拟合程度。通过引入一组正则化项，该损失能更准确地定位小物体的噪声特征，使模型的整体泛化能力更接近最优。我们在两个基准数据集上使用当前最优目标检测模型测试了该方法，实验结果表明其有效性：在MS COCO数据集上平均精度提升1.42%，在VOC数据集上小物体平均精度提升3.37%。代码地址：https://github.com/Andisyc/ScaleMargin。
Keyword:
Object detection
Scale Imbalance
Margin-based Loss Function
期刊
K
IF:
0
论文数:
30
被引数:
0
机构
引用论文
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks更快的r-cnn: 基于区域建议网络的实时目标检测
OAAI
.png){kind=icon}
OAAI分享收藏分享收藏
查看更多内容