基于类别不平衡数据集的图像实例分割方法

摘要：

随着深度学习在计算机视觉领域取得重大进展,包含多种类别的数据集不断被提出,但由于自然采集的数据集往往存在类别不平衡并呈现长尾分布的情况,导致稀有类的数据特征被频繁类的数据特征所抑制,从而严重影响模型的检测性能.为解决上述问题,提出一种新的图像实例分割方法.采用长尾实例分割数据集进行研究实验,使用基于目标尺度的数据增广方法对数据集进行处理,以达到扩充训练样本的目的,增加稀有类的目标数量,同时对稀有类数据进行重采样,解决稀有类的类别数据量过小的问题,提升模型在长尾数据集的鲁棒性.在此基础上,将均等化损失函数融入Mask R-CNN实例分割网络,以降低频繁类的数据特征对稀有类数据特征的抑制性.实验结果表明,该方法在LVIS实例分割数据集上的检测精度提升了4.9％,达到了25.7％,同时APr、APc、APf分别达到了16.2％、26.1％、30.4％,相比Baseline方法均有明显提升,在消融实验上的结果也表明该方法能有效解决长尾类问题.

关键词：长尾分布、实例分割、数据增强、损失函数、深度学习

所属期刊栏目：48

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2022-12-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：224-231