增强算法优化小目标检测

小目标检测的增强算法

Augmentation for small object detection

摘要

近年来，在目标检测领域取得了显著的进步。然而，在区分小目标与大目标的能力上仍存在明显不足。本研究基于具有挑战性的Mask RCNN模型以及MS COCO数据集进行了深入分析。研究表明，在预测锚框与真实的小物体之间存在的重叠度远低于预期的IoU阈值（Intersection over Union）。这一现象可归因于以下两个关键因素：（1）只有少部分样本包含感兴趣的小物体；（2）即便在这些样本中也难以发现足够的细节特征以满足IoU要求。基于此观察结果，我们提出了一种过采样策略：针对仅存在于少部分样本中的小物体，在每个样本中进行多次复制粘贴增强。这种策略允许我们在平衡探测器性能方面实现物态感知能力与细节捕捉能力的最佳调优。通过实验验证发现，在实例分割任务上较现有基准方法提升了9.7%，同时在小目标检测领域也实现了7.1%的改进

1． Introduction

本研究聚焦于最先进的物体探测器Mask R-CNN[18]及其应用到COCO数据集上。本研究注意到该数据集在小目标方面的两个关键特性：首先，在包含小目标的图像数量上存在不足；其次小目标占据的空间较小导致其位置缺乏多样性。为了改进检测模型对小型目标的检测能力本研究采取了双重策略：针对第一个问题我们采用了过采样的方法；针