小目标检测的数据增强------Stitcher和Mosaic效果对比

Stitcher 原文:Stitcher: Feedback-driven Data Provider for Object Detection

复现效果: 

 

复现Mosaic数据增强效果:

 总结:其中Mosaic数据增强处理后,可能图像中不存在数据标签信息,而Stitcher处理后,能够较大程度的保留原始标签信息,同时也能得到较好的小目标检测效果。

版权声明:本文为CSDN博主「李伯爵的指间沙」的原创文章,遵循CC 4.0 BY-SA版权协议,转载请附上原文出处链接及本声明。
原文链接:https://blog.csdn.net/m0_37690102/article/details/122172600

我还没有学会写个人说明!

暂无评论

发表评论

相关推荐

GiraffeDet:Heavy Neck的目标检测框架

关注并星标 从此不迷路 计算机视觉研究院 公众号ID|ComputerVisionGzq 学习群|扫码在主页获取加入方式 获取论文:关注并回复“GD” 计算机视觉研究院专栏 作者:Edison_G 在传统的目标检测框架中,从图像识别模型继承的主

目标检测算法简单说明(自己正在学习)

目标检测是作为计算机视觉领域的核心任务之一,其主要任务就是对图像或者图像序列的物体进行分类和定位。 传统目标检测有很多弊端,比如泛化性能差,需要大量的人工去提取特征等缺点,并且由于卷积神

yolov4训练测试自己的数据集关键点总结

在实习中,有一个任务是训练出一个车辆检测的yolov4模型。感觉yolov4的功能好强大啊!特此记录一下自己在使用过程中的一些改动。 yolov4论文,yolov4源码 首先肯定是要配置相关的环境&#