向大规模小型物体检测:调查和基准

科学领域:

• 计算机视觉 计算机视觉
• 机器学习 机器学习
• 人工智能的人工智能

背景情况:

• 深层卷积神经网络具有先进的对象检测,但由于目标外观和表示问题,小物体检测 (SOD) 仍然具有挑战性.
• 缺乏大规模数据集阻碍了SOD方法的开发和基准测试.

研究的目的:

• 对现有的小型物体检测技术进行全面审查.
• 引入两个新的,大规模的数据集,SODA-D和SODA-A,专门设计用于对多类小物体检测进行基准测试.

主要方法:

• 对小型物体检测方法进行了彻底的文献审查.
• 两个广泛的数据集,SODA-D (驾驶场景) 和SODA-A (空中场景),被构建了详细的注释.
• 在新创建的SODA数据集上对主流SOD方法的性能评估.

主要成果:

• SODA-D包含24,828张交通图像,共9个类别的278,433个实例.
• SODA-A包含2513张高分辨率的空中图像,其中9个类别有872069个实例.
• 这些数据集代表了第一批具有对多类SOD详尽注释的大型基准.

结论:

• 预计新推出的SODA数据集将大大催化小型物体检测研究的进展.
• 这些基准将促进对当前方法的评估,并鼓励在计算机视觉领域取得进一步的突破.