Deep-NFA: a Deep $\textit{a contrario}$ Framework for Small Object Detection

要約

小さなオブジェクトの検出は、コンピューター ビジョンにおける困難なタスクです。
従来のオブジェクト検出方法では、高い検出率と低い誤警報率のバランスを見つけるのが困難でした。
文献では、いくつかの方法は、機能マップの応答を強化することでこの問題に対処していますが、バックグラウンド要素によって引き起こされる誤警報の数に関する堅牢性は保証されていません。
この問題に取り組むために、学習プロセスに $\textit{a contrario}$ 決定基準を導入して、小さなオブジェクトの予期しないことを考慮に入れます。
この統計基準は、誤警報 (NFA) の数を制御しながら機能マップの応答を強化し、任意のセマンティック セグメンテーション ニューラル ネットワークに統合できます。
当社のアドオン NFA モジュールは、小さなターゲットとクラック検出タスクでそれぞれ競争力のある結果を得ることができるだけでなく、より堅牢で解釈可能な結果にもつながります。

要約(オリジナル)

The detection of small objects is a challenging task in computer vision. Conventional object detection methods have difficulty in finding the balance between high detection and low false alarm rates. In the literature, some methods have addressed this issue by enhancing the feature map responses, but without guaranteeing robustness with respect to the number of false alarms induced by background elements. To tackle this problem, we introduce an $\textit{a contrario}$ decision criterion into the learning process to take into account the unexpectedness of small objects. This statistic criterion enhances the feature map responses while controlling the number of false alarms (NFA) and can be integrated into any semantic segmentation neural network. Our add-on NFA module not only allows us to obtain competitive results for small target and crack detection tasks respectively, but also leads to more robust and interpretable results.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google