人工智能 | 增强小目标检测（Augmentation for small object detection）

小物体在每个包含它们的图像中出现得并不充分。因此，提出对那些包含小物体的图像进行过采样，并通过复制粘贴小物体多次来增强这些图像。这能够在小物体和大物体的检测质量之间进行权衡。增强策略，最终在实例分割和小物体的检测中，相比现有的最先进方法，在。本文分析了目前最先进的模型 Mask-RCNN。发现小的真实物体与预测的锚框之间的重叠远低于预期的。有这些改进，但在小物体和大物体的检测性能之间仍然存在显著差距。目标检测取得了显著进展。在一个具有挑战性的 数据集。）只有少数图像包含小物体；实验中的三种不同策略。

PaddleX小目标检测技术详解与实践指南 一、小目标检测技术背景 小目标检测是计算机视觉领域中的一个重要研究方向，主要针对图像中像素尺寸较小的目标物体进行检测和定位。根据MS COCO等主流数据集的定义，小目标通常指尺寸小于32×32像素的物体。这类目标在实际应用中普遍存在，如无人机航拍图像中的行人、车辆，卫星图像中的小型建筑物等。 小目标检测面临的主要技术挑战包括： 特征信息匮乏：小目标在图...

前言 这篇论文和CutMix思路有点类似，不过该篇论文主要是针对小目标数据的增强，CutMix注重的是数据增强中正则化，泛化的问题。该篇论文发布于2019CVPR Abstract 近年来，目标检测取得了令人瞩目的进展。尽管有这些改进，但在检测大小目标之间的性能仍有很大差距。我们在具有挑战性的数据集MS COCO上分析了当前最先进的模型Mask RCNN。我们表明，小的ground truth目标和预测的Anchor之间的重叠远低于预期的IoU阈值。我们推测这是由两个因素造成的； （1） 只有少数图像包含.

博主github：https://github.com/MichaelBeechan 博主CSDN：https://blog.csdn.net/u011344545 Augmentation for small object detection Mate Kisantal [email protected] Zbigniew Wojna [email protected] Jakub Murawski [email protected] Jacek Narunie

论文题目：Augmentation for small object detection 文章目录论文题目：Augmentation for small object detection1.介绍1.1背景1.2 小目标检测困难的原因2.方法2.1Oversampling2.2 Copy-Pasting3.实验结果3.1Oversampling3.2Copy-Pasted3.3 Copy-Pasted Strategies 论文题目：Augmentation for small object detectio

文章目录1、论文总述2、举例说明小目标的重要性3、COCO数据集中小目标的分布情况4、Augmentation与Oversampling结合时的3种策略5、复制-粘贴时的3种策略参考文献 1、论文总述 本篇论文主要针对COCO数据集上的小目标性能进行改进，相对来说，是比较实用的数据处理技巧，适用于所有的anchor-free和anchor-based的目标检测模型。 （1）对含有小目标的图像进行过采样，一般过采样率取3时较好，这样大目标受到的影响不会太大，因为总的来说，类别不平衡、不同尺度间的目标数量不平衡

Abstract 这些年来目标检测领域经历了令人印象深刻的进展。除了这些改进，在小目标检测与大目标检测领域还是有不小的差距。我们在MS COCO上分析了当前SOTA的模型Mask-RCNN。研究成果展示GT目标与预测的anchors的重叠远远小于期望的IoU阈值。我们猜测这可能是由两个情况导致的：1、只有少部分样本包含小目标；2、及时在包含小目标的样本中，小目标的数目也不够。我们因此提出过...

一.abstract 　　这些年来，目标检测取得了令人瞩目的成就。尽管改进很大，但对于小目标和大目标的检测性能差异还是蛮大的。我们在 MS COCO 数据集上分析了如今一个比较先进的算法，Mask-RCNN。我们发现小目标的 GT 和检测框之间 IOU 远小于期望的阈值（比如0.5）。我们推测这是由于两个因素: 1) 包含小目标的图片的数量忒少, 2) 即使每张图片里都有小目标，这些...

Augmentation for small object detection-小目标检测数据扩增摘要1 引言 本文仅作简单翻译阅读学习 论文名称：Augmentation for small object detection 论文地址：https://arxiv.org/pdf/1902.07296.pdf 作者：Mate Kisantal、Zbigniew Wojna et al. 摘要 项目 内容 问题 小的地面真实物体和预测锚之间的重叠比预期的IoU阈值低得多。 因素 (1

近年来，物体检测取得了令人瞩目的进展。尽管有了这些改进，但小物体和大物体的检测性能之间仍存在显著差距。我们对MS COCO数据集上的当前最先进模型Mask-RCNN进行了分析。我们发现小物体的ground-truth与预测的锚框之间的重叠远远低于预期的IoU阈值。我们推测这是由两个因素造成的：（1）只有少数图像包含小物体，（2）即使在包含小物体的每个图像中，小物体也没有足够的出现次数。因此，我们提出对那些包含小物体的图像进行过采样，并通过多次复制粘贴小物体来增强每个图像。

MS COCO中对small object的定义是矩形框小于32 x 32。 一、Oversampling：3x 效果最佳 二、Augmentation：第3种策略最佳 1. 用augmented图片替代original图片 2. 将augmented图片复制一次 3. augmented图片（0.5的概率执行）+ original图片 三、Copy-Pasting Strategies 1. 一张图片中，随机选择一个小目标进行多次复制，放置在随机位置。复制一次效果最好 2. 一张图片

一. abstract 二. Introduction 三. Related Work 三. Identifying issues with detecting small objects 四. Identifying issues with detecting small objects 五. Experimental Setup 六. Result and Analysis 六. Conclusion References 一. abstract 　　这些年来，目标检测取得了令人瞩目的成就。尽管改进很大

小目标检测长期以来是计算机视觉中的一个难点和研究热点。在深度学习的驱动下，小目标检测已取得了重大突破，并成功应用于国防安全、智能交通和工业自动化等领域。本文致力于分析和整理一些前沿的小目标检测算法研究，并给出一些自己的思考和实践心得！

Small Object Detection using Context and Attention阅读记录 论文链接：https://arxiv.org/abs/1912.06319v2 Abstract 作者使用上下文信息和注意力机制检测小目标。 作者使用传统的SSD为基线，当网络输入为300x300时，其在Pascal VOC2007上的mAP为78.1%。 Introduction 作者认为解决小目标检测的关键是如何有效的利用上下文信息。 作者使用深层的抽象信息作为上下文信息，在浅层使用注意力机制，

Small Object Detection using Context and Attention 使用上下文和注意力机制的小型物体检测 Jeong-Seon Lim University of Science and Technology [email protected] Marcella Astrid University of Science and Technology [email protected]....