Improved Hard Example Mining Approach for Single Shot Object Detectors

要約

ハードな例のマイニング方法は、一般に、不均衡なトレーニングセットに悩まされているオブジェクト検出器のパフォーマンスを向上させます。
この作業では、2つの既存のハードサンプルマイニングアプローチ（LRMとフォーカルロス、FL）を採用し、最先端のリアルタイムオブジェクト検出器YOLOv5に組み合わせます。
ハードな例のパフォーマンスを改善するための提案されたアプローチの有効性は、広く評価されています。
提案された方法は、2021 Anti-UAVチャレンジデータセットで個別にハードマイニング方法（LRMまたはFL）を使用した場合と比較して、元の損失関数を使用した場合と比較して3％、約1〜2％増加します。

要約(オリジナル)

Hard example mining methods generally improve the performance of the object detectors, which suffer from imbalanced training sets. In this work, two existing hard example mining approaches (LRM and focal loss, FL) are adapted and combined in a state-of-the-art real-time object detector, YOLOv5. The effectiveness of the proposed approach for improving the performance on hard examples is extensively evaluated. The proposed method increases mAP by 3% compared to using the original loss function and around 1-2% compared to using the hard-mining methods (LRM or FL) individually on 2021 Anti-UAV Challenge Dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google