AI大视觉(二十) | 小目标检测的tricks汇总
本文来自公众号“AI大道理”。
这里既有AI,又有生活大道理,无数渺小的思考填满了一生。
在计算机视觉中,检测小目标是最有挑战的问题之一。
本文汇总了一些有效的策略。
为何小目标
(1)基于相对尺度
物体宽高是原图宽高的1/10以下的可以视为小目标。
目标边界框面积与图像面积的比值开方小于一定值(较为通用的值为0.03)的可以视为小目标。
(2)基于绝对尺度
通常认为绝对尺寸小于32×32的物体可以视为小目标。
小目标为什么难检测?
(1) 可利用特征少
低分辨率的小目标可视化信息少,难以提取到具有鉴别力的特征,并且极易受到环境因素的干扰,进而导致了检测模型难以精准定位和识别小目标。
(2) 定位精度要求高
小目标由于在图像中覆盖面积小,因此其边界框的定位相对于大/中尺度尺寸目标具有更大的挑战性。
在预测过程中,预测边界框框偏移一个像素点,对小目标的误差影响远高于大/中尺度目标。
(3) 现有数据集中小目标占比少
(4) 样本不均衡问题
在训练的过程中,通过设定固定的阈值来判断锚框属于正样本还是负样本。
这种方式导致了模型训练过程中不同尺寸目标的正样本不均衡问题。
当人工设定的锚框与小目标的真实边界框差异较大时,小目标的训练正样本将远远小于大/中尺度目标的正样本,这将导致训练的模型更加关注大/中尺度目标的检测,而忽略小目标的检测。
(5) 小目标聚集问题
相对于大/中尺度目标,小目标具有更大概率产生聚集现象。
当小目标聚集出现时,聚集区域相邻的小目标通过多次降采样后,反应到深层特征图上将聚合成一个点,导致检测模型无法区分。
当同类小目标密集出现时,预测的边界框还可能会因后处理的非极大值抑制操作将大量正确预测的边界框过滤,从而导致漏检情况。
另外,聚集区域的小目标之间边界框距离过近,还将导致边界框难以回归,模型难以收敛。
如何改进?
1、高分辨率图像采集(图像源头)(小目标变大系列)
2、高分辨率图像模型输入(模型源头)(小目标变大系列)
3、图像分块(小目标变大系列)
训练的时候分块训练,预测的时候也分块训练。
比如一张大图像分成8块,相当于一个batch size。
问题在于如何规避分块时将目标分成两部分。
4、Context信息(打标技巧)
标的大点添加周边的信息辅助训练。
上下文Context信息,那么目标就相当于变大了一些,上下文信息加上检测也就更容易了。
5、数据增强
复制并粘贴每个图像中的小目标多次。
从而让模型在训练的过程中,也能够有机会得到更多的小目标训练样本。
6、特征提取
不同尺度的特征融合,在扩大感受野的同时,也融合多个尺度的特征,增强了模型对于小目标的检测能力
7、损失函数
在bounding bbox损失上加一个针对小物体的权重2-w*h。
8、仅对小目标不设置过于严格的iou阈值
对小目标的Anchor使用比较宽松的匹配策略,尽量多的留下小目标。
9、小目标的过采样
过采样OverSampling策略。
对于数据集中含有小目标图片较少的情况,使用过度采样(oversample)的方式,即多次训练这类样本。
10、网络模型
降低下采样率与空洞卷积,减少小物体特征损失,同时在不改变网络分辨率的前提下增加网络的感受野,减小对大物体检测性能的损失。
11、 优化Anchor尺寸设计
利用边框聚类进行anchor尺寸设计,边框聚类时通常使用K-Means算法,这也是YOLO采用的Anchor聚类方法,设计更好的Anchor可以有效提升Proposal的质量,设计贴近小物体尺寸的anchor能有效减小回归量的variance,降低网络的学习难度,提高recall。
总结
另外,由于anchor free里面样本定位关系,小目标检测会略好于anchor base的模型。
——————
浅谈则止,细致入微AI大道理
扫描下方“AI大道理”,选择“关注”公众号
—————————————————————
—————————————————————
投稿吧 | 留言吧
AI大视觉(二十) | 小目标检测的tricks汇总相关推荐
- 【文献阅读】小目标检测综述:挑战,技术和数据集(M. MUZAMMUL等人,ACM,2021)
一.文章概况 文章题目:<A Survey on Deep Domain Adaptation and Tiny Object Detection Challenges, Techniq ...
- 目标检测算法——收藏|小目标检测的定义(一)
>>>深度学习Tricks,第一时间送达<<< 目录 一.引言 二.小目标检测定义 (一)基于相对尺度定义 (二)基于绝对尺度定义 小目标检测一直以来是计算机视觉领 ...
- 目标检测算法——收藏|小目标检测难点分析(二)
>>>深度学习Tricks,第一时间送达<<< 目录 一.可利用特征少 二. 定位精度要求高 三.现有数据集中小目标占比少 四.样本不均衡问题 五.小目标聚集问题 ...
- 目标检测论文解读复现之十六:基于改进YOLOv5的小目标检测算法
前言 此前出了目标改进算法专栏,但是对于应用于什么场景,需要什么改进方法对应与自己的应用场景有效果,并且多少改进点能发什么水平的文章,为解决大家的困惑,此系列文章旨在给大家解读最新目标检测算法论文,帮 ...
- 收藏 | 小目标检测的一些问题,思路和方案
点上方计算机视觉联盟获取更多干货 仅作学术分享,不代表本公众号立场,侵权联系删除 转载于:作者丨Quantum 来源丨AI公园 编辑丨极市平台 AI博士笔记系列推荐 周志华<机器学习> ...
- 目标检测难题 | 小目标检测策略汇总
点击上方"小白学视觉",选择加"星标"或"置顶" 重磅干货,第一时间送达 本文转自:AI算法与图像处理 导读 在计算机视觉中,检测小目标是最 ...
- 2021年小目标检测最新研究综述 很全面值得收藏
摘要 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.为了进一步促进小目标检测的发展,本文对小目 ...
- 小目标检测的一些问题,思路和方案
来源:机器学习研究组订阅 机器学习正越来越多地进入我们的日常生活.从个人服务的广告和电影推荐,到自动驾驶汽车和自动送餐服务.几乎所有的现代自动化机器都能"看"世界,但跟我们不一样. ...
- 实战解析:真实AI场景下,极小目标检测与精度提升 | 百度AI公开课
主讲人 | 哈利 百度高级研发工程师 量子位整理编辑 | 公众号 QbitAI 目前,各个企业行业在AI落地应用中,常常会遇到极小目标检测问题.在这些AI应用中,都需要在一个大图中精准识别出极小目标, ...
最新文章
- 播放此电影需要以下插件,但尚未安装: MPEG-4 AAC decoder
- PHP变量在内存中的存储方式
- 等级考试文件服务器,内核级 Samba 文件共享服务器 CIFSD 正式开始测试
- java之Synchronized(锁住对象和锁住代码)
- 【机器学习】监督学习--(分类)支持向量机SVM②
- AI 端侧落地+图像语义分割,百度 AI 快车道揭秘工业质检不再靠“人眼”的秘诀...
- Android学习小Demo(12)TodoList实现ListView的分组实现
- 用户空间与内核空间数据交换的方式(2)------procfs
- 2016年小升初海淀区全部初中排名分析
- 牛客网暑期ACM多校训练营(第四场)G Maximum Mode(思维)
- 微信聊天记录做成词云~
- Mac安装与使用MacTeX
- mysql数据库中吧时分秒换算成秒的函数TIME_TO_SEC()
- 如何精进Excel水平?从邮件小工具讲起
- 什么是流批一体化、区块链
- 同源策略和跨域解决方案
- 图像的转化(包括灰度,HSV,HSI)
- Tomcat单机多实例配置
- gitlab展示CHANGELOG
- Tensorflow API 讲解——tf.estimator.Estimator
热门文章
- 注册用户超5000万,《英雄杀》制作人谈产品长线价值
- jQuery方法源码解析--jQuery($)方法(一)
- MySQL的左联,右联,内联,等值连接的区别
- Javascript本地存储的方式有哪些?区别及应用场景?
- Microsoft Update客户端更新
- Failed to load property source from location 'classpath:/applica)
- [转]我不是谁的代言,我是程序员 ---程序员版的凡客体
- PLC SECS/GEM半导体通讯解决方案
- App被拒绝的原因收录
- 吴晓波:时代激荡,步步为商