Chosen methods of improving object recognition of small objects with weak recognizable features

要約

多くのオブジェクト検出モデルは、サンプル数の少なさ、多様性の欠如、特徴表現の低さなど、小さなオブジェクト検出のいくつかの問題点と格闘しています。
GAN が生成モデル クラスに属していることを考慮すると、GAN の最初の目的は、あらゆるデータ分布を模倣することを学習することです。
適切なGANモデルを使用すると、精度の低いデータを補強して、その量と多様性を高めることができます。
このソリューションにより、オブジェクト検出の結果が改善される可能性があります。
さらに、深層学習モデル内に GAN ベースのアーキテクチャを組み込むことで、小さな物体認識の精度を高めることができます。
この作業では、VOC Pascal データセットでの小さなオブジェクトの検出を改善するために、拡張機能を備えた GAN ベースの方法が提示されています。
メソッドは、オブジェクトの回転、シフトなどのさまざまな一般的な拡張戦略と比較されます。実験は FasterRCNN モデルに基づいています。

要約(オリジナル)

Many object detection models struggle with several problematic aspects of small object detection including the low number of samples, lack of diversity and low features representation. Taking into account that GANs belong to generative models class, their initial objective is to learn to mimic any data distribution. Using the proper GAN model would enable augmenting low precision data increasing their amount and diversity. This solution could potentially result in improved object detection results. Additionally, incorporating GAN-based architecture inside deep learning model can increase accuracy of small objects recognition. In this work the GAN-based method with augmentation is presented to improve small object detection on VOC Pascal dataset. The method is compared with different popular augmentation strategies like object rotations, shifts etc. The experiments are based on FasterRCNN model.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google