基于数据增广的道路场景小目标检测

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%。