Object Detection Review

Imbalance Problems in Object Detection: A Review -- 2019PAMI https://arxiv.org/abs/1909.00169

参考：https://blog.csdn.net/m_buddy/article/details/102258526

论文总结地址：https://github.com/kemaloksuz/ObjectDetectionImbalance

目标检测常见不平衡问题：

1. 类别不平衡：前景和背景不平衡、前景中不同类别输入包围框的个数不平衡；（数据贴图增广，补充采集样本等）
2. 尺度不平衡：输入图像和包围框的尺度不平衡，不同特征层对最终结果贡献不平衡；（多尺度输入训练，各种FPN，TridentNet，two-stage方法，上下文信息关联目标检测从大到小，提高输入图像分辨率）
3. 空间不平衡：不同样本对回归损失的贡献不平衡、正样本IoU分布不平衡、目标在图像中的位置不平衡；（各种解决IOU分布的方法及优化nms的方法，Cascade RCNN，Smooth L1）
4. 目标函数不平衡：不同任务（比如回归和分类）对全局损失的贡献不平衡。（修改分类和回归的损失函数权重）

针对上面的这些问题，对应的解决方法主要从4个角度解决，每个角度对应的解决方法见下图所示：

其他问题及解决办法

1，尺度问题，对应常用方法：

   数据增强，

   特征融合：

   利用上下文或者目标之间的关系

   GAN试试

   提高图像分辨率

   多尺度融合

   锚点设计

   小技巧：ROI Pooling 被ROI align 替换

   匹配策略，不用IOU

2，目标类别的不平衡

学习目标轮廓：

学习目标纹理：

https://handong1587.github.io/deep_learning/2015/10/09/object-detection.html