结合Cannikin’s Law的离线数据增广方法研究

数据增广是提升深度学习模型性能的有效方法之一。针对多类别目标检测任务中检测性能不平衡问题，提出一种针对“短板类别”（检测性能远低于模型平均检测性能的类别）的离线数据增广方法。受Cannikin’s Law的启发，采用基于复制粘贴（copy-paste）机制的场景多样性增广方法。随机采集训练集中“短板类别”实例区域，通过相似性度量机制选取训练集中增广目标样本进行随机粘贴。为了降低随机粘贴导致的遮挡问题，采用基于自遮挡（cut-replace）机制的增广方法提升模型遮挡表达能力。通过截取样本自身区域，对特征表达最显著区域进行遮挡。实验表明，FCOS目标检测框架在PASCAL VOC数据上的平均检测精度（mean average precision,mAP）从79.10%提升到83.90%，其中短板类别更为显著，提升了20.8个百分点。在MS-COCO数据上平均检测精度提升了0.9个百分点。