[论文解读] False Detection (Positives and Negatives) in Object Detection

Subrata Goswami|arXiv (Cornell University)|Aug 16, 2020

Advanced Neural Network Applications参考文献 5被引用 13

一句话总结

本实证研究通过分析目标检测中区域提议生成时因量化引起的误差，探究了误检与漏检问题。利用标注数据，特别是来自 Open Images 2019 数据集的数据，作者识别出标注不一致的问题，并提出了以数据为中心的改进方法，以减少误检，揭示了影响模型性能的关键数据质量问题。

ABSTRACT

Object detection is a very important function of visual perception systems. Since the early days of classical object detection based on HOG to modern deep learning based detectors, object detection has improved in accuracy. Two stage detectors usually have higher accuracy than single stage ones. Both types of detectors use some form of quantization of the search space of rectangular regions of image. There are far more of the quantized elements than true objects. The way these bounding boxes are filtered out possibly results in the false positive and false negatives. This empirical experimental study explores ways of reducing false positives and negatives with labelled data.. In the process also discovered insufficient labelling in Openimage 2019 Object Detection dataset.

研究动机与目标

• 探究现代目标检测流程中误检与漏检的根本原因。
• 分析区域量化对单阶段与两阶段检测器检测误差的影响。
• 评估 Open Images 2019 目标检测数据集中数据质量，特别是标注一致性问题。
• 提出以数据为中心的策略，通过改进标注与过滤来减少误检。
• 通过实证研究证明，数据质量问题显著导致误检误差。

提出的方法

• 本研究分析目标检测器中通过图像区域量化生成的边界框提议。
• 利用标注数据评估检测性能，重点关注预测边界框与真实边界框之间的差异。
• 作者对 Open Images 2019 数据集进行了实证分析，识别出对象标注中的不一致之处。
• 误检与漏检被追溯至因标注质量差导致的过度分割与误分类。
• 该方法包括对边界框重叠情况及图像间标签一致性的可视化检查与统计分析。
• 该方法强调将数据质量评估作为减少误检的主要手段。

实验结果

研究问题

• RQ1 区域量化在目标检测中生成误检与漏检方面起到何种作用？
• RQ2 像 Open Images 2019 这类大规模数据集中标注不一致如何导致误检误差？
• RQ3 提升数据质量在多大程度上可降低目标检测器的误检与漏检率？
• RQ4 由于具备更好的过滤能力，两阶段检测器是否比单阶段检测器对误检更具鲁棒性？
• RQ5 对边界框重叠情况与标签一致性的实证分析能否识别出系统性的数据质量问题？

主要发现

• 本研究在 Open Images 2019 目标检测数据集中识别出显著的标注不一致问题，尤其体现在对象边界标注方面。
• 误检与漏检主要归因于区域提议的量化质量差以及标注不一致。
• 分析表明，数据集中大量边界框存在误标或位置错误，影响了模型的泛化能力。
• 研究结果表明，数据质量问题是在模型架构之外导致误检误差的主要因素。
• 结果表明，提升标注一致性可显著降低目标检测中的误检与漏检率。
• 实证证据表明，以数据为中心的方法在减少误检方面与架构改进同等重要。