典型文献
基于数据增广的道路场景小目标检测
文献摘要：
道路场景目标检测技术受限于数据集及目标检测算法,不同尺度目标检测精度差异显著,其中小目标检测性能较差.数据增广是解决该问题的主要手段,增加道路场景小目标训练样本,改变各尺度训练样本不均衡分布,提升其检测性能.针对等概率重采样存在局限性,提出随机概率重采样策略,增加了对小目标性能影响显著的训练图像.针对各尺度目标训练样本数量分布不均衡,提出 自适应尺度均衡策略(Adaptive Scale matching Cutout,AdaSMC),缓解了大、中等目标被过度增广的问题.融合随机概率重采样和AdaSMC两种增广策略,提出应用于道路场景的融合增广算法.在Cityscapes数据集实验结果表明,该融合算法在保证实时性的前提下,APs 提升1.9％,ARs 提升1.7％.
文献关键词：
小目标检测;随机概率重采样;自适应尺度均衡;数据增广
中图分类号：
作者姓名：
黄紫旗;刘小珠;石英;林朝俊
作者机构：
武汉理工大学自动化学院,武汉430070
文献出处：
引用格式：
[1]黄紫旗;刘小珠;石英;林朝俊-.基于数据增广的道路场景小目标检测)[J].武汉理工大学学报,2022(11):79-87
A类：
随机概率重采样,自适应尺度均衡,AdaSMC
B类：
数据增广,道路场景,小目标检测,受限于,目标检测算法,不同尺度,检测精度,检测性能,训练样本,样本不均衡,不均衡分布,采样策略,目标性,训练图像,样本数量,数量分布,均衡策略,Adaptive,Scale,matching,Cutout,增广策略,Cityscapes,融合算法,APs,ARs
AB值：
0.286722
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
