Melhorando a detecção de objetos pequenos com DETRAug
Detecção de Objetos pequenos. DETR. AUGMIX. Data
Augmentation.
Neste trabalho é proposta uma nova abordagem para detecção de objetos
pequenos chamada DETRAug. A nova técnica combina estratégias dos modelos
Deformable DETR e AUGMIX. O AUGMIX é uma técnica para melhorar a robustez
no treinamento de modelos de aprendizagem de máquina com base em mudanças
na distribuição dos dados de treinamento e teste.
O Deformable DETR é uma variante do modelo DETR, a qual obtém melhores
resultados com objetos pequenos, além de apresentar um tempo de treinamento
mais rápido que sua forma original. No DETRAug também focamos na ampliação
da quantidade de imagens de treinamento e consequente adaptação das
estratégias para detecção de objetos pequenos. Desta forma, a abordagem
proposta busca produzir, de maneira estocástica, pequenas imagens com
diferentes transformações, que no decorrer do processo de treinamento são
encadeadas com o intuito de gerar uma imagem única a ser adicionada no
conjunto de treinamento do modelo. A divergência de Jensen-Shannon, uma
métrica bastante útil para modelagens com distribuições, foi utilizada para
avaliar a função de Loss do modelo. No decorrer dos experimentos com o uso
do DETRAug, foi possível verificar que o modelo proposto apresentou uma
diminuição na quantidade de detecções "no-object", ou seja, nas detecções
errôneas que o modelo produz. Durante os experimentos, esta nova versão foi
comparada com os modelos DETR e EfficientDet. A abordagem proposta foi
avaliada em experimentos com seis datasets públicos. Ao fim dos
experimentos, foi possível auferir uma melhoria de no mínimo 0.9% em
relação a métrica mAP, também foi observada uma Loss de treinamento mais
estável no modelo proposto. Além disso, é possível identificar visualmente
uma melhora na detecção de objetos que, sob a mesma condição, são ignorados
pelos outros modelos da literatura.