| A Normalized Gaussian Wasserstein Distance for Tiny Object Detection,arXiv | 您所在的位置：網(wǎng)站首頁 › 屬雞的人和什么屬相交知心朋友好 › A Normalized Gaussian Wasserstein Distance for Tiny Object Detection,arXiv |
A Normalized Gaussian Wasserstein Distance for Tiny Object Detection,arXiv
|
Detecting tiny objects is a very challenging problem since a tiny object only
contains a few pixels in size. We demonstrate that state-of-the-art detectors
do not produce satisfactory results on tiny objects due to the lack of
appearance information. Our key observation is that Intersection over Union
(IoU) based metrics such as IoU itself and its extensions are very sensitive to
the location deviation of the tiny objects, and drastically deteriorate the
detection performance when used in anchor-based detectors. To alleviate this,
we propose a new evaluation metric using Wasserstein distance for tiny object
detection. Specifically, we first model the bounding boxes as 2D Gaussian
distributions and then propose a new metric dubbed Normalized Wasserstein
Distance (NWD) to compute the similarity between them by their corresponding
Gaussian distributions. The proposed NWD metric can be easily embedded into the
assignment, non-maximum suppression, and loss function of any anchor-based
detector to replace the commonly used IoU metric. We evaluate our metric on a
new dataset for tiny object detection (AI-TOD) in which the average object size
is much smaller than existing object detection datasets. Extensive experiments
show that, when equipped with NWD metric, our approach yields performance that
is 6.7 AP points higher than a standard fine-tuning baseline, and 6.0 AP points
higher than state-of-the-art competitors.
中文翻譯：
檢測微小物體是一個非常具有挑戰(zhàn)性的問題，因為微小物體僅包含幾個像素大小。我們證明，由于缺乏外觀信息，最先進的檢測器無法在微小物體上產(chǎn)生令人滿意的結果。我們的主要觀察結果是基于交集 (IoU) 的度量，例如 IoU 本身及其擴展，對微小物體的位置偏差非常敏感，并且在用于基于錨的檢測器時會大大降低檢測性能。為了緩解這種情況，我們提出了一種使用 Wasserstein 距離進行微小物體檢測的新評估指標。具體來說，我們首先將邊界框建模為 2D 高斯分布，然后提出一個稱為歸一化 Wasserstein 距離 (NWD) 的新度量，以通過它們相應的高斯分布來計算它們之間的相似性。提出的 NWD 度量可以很容易地嵌入到任何基于錨的檢測器的分配、非極大值抑制和損失函數(shù)中，以取代常用的 IoU 度量。我們在用于微小物體檢測 (AI-TOD) 的新數(shù)據(jù)集上評估我們的指標，其中平均物體尺寸遠小于現(xiàn)有物體檢測數(shù)據(jù)集。大量實驗表明，當配備 NWD 指標時，我們的方法產(chǎn)生的性能比標準微調(diào)基線高 6.7 個 AP 點，比最先進的競爭對手高 6.0 個 AP 點。提出的 NWD 度量可以很容易地嵌入到任何基于錨的檢測器的分配、非極大值抑制和損失函數(shù)中，以取代常用的 IoU 度量。我們在用于微小物體檢測 (AI-TOD) 的新數(shù)據(jù)集上評估我們的指標，其中平均物體尺寸遠小于現(xiàn)有物體檢測數(shù)據(jù)集。大量實驗表明，當配備 NWD 指標時，我們的方法產(chǎn)生的性能比標準微調(diào)基線高 6.7 個 AP 點，比最先進的競爭對手高 6.0 個 AP 點。提出的 NWD 度量可以很容易地嵌入到任何基于錨的檢測器的分配、非極大值抑制和損失函數(shù)中，以取代常用的 IoU 度量。我們在用于微小物體檢測 (AI-TOD) 的新數(shù)據(jù)集上評估我們的指標，其中平均物體尺寸遠小于現(xiàn)有物體檢測數(shù)據(jù)集。大量實驗表明，當配備 NWD 指標時，我們的方法產(chǎn)生的性能比標準微調(diào)基線高 6.7 個 AP 點，比最先進的競爭對手高 6.0 個 AP 點。 |
【本文地址】
| 今日新聞 |
| 推薦新聞 |
| 專題文章 |