Détection d'objets minces : Diagnostic et améliorations

Dans cet article, nous nous intéressons à la détection d’un type particulier d’objets présentant des rapports d’aspect extrêmes, à savoir les objets filiformes. Dans les scénarios du monde réel, les objets filiformes sont en réalité très fréquents et essentiels à la réussite d’un système de détection. Pourtant, cette catégorie d’objets a été largement ignorée par les algorithmes classiques de détection d’objets. Lors de notre étude, nous observons une baisse drastique de 18,9 % du mAP sur COCO lorsqu’une évaluation est effectuée exclusivement sur les objets filiformes, pour une méthode classique de détection. En conséquence, nous menons une analyse systématique du problème de détection des objets filiformes. À cet effet, nous établissons un cadre analytique comprenant un benchmark soigneusement conçu ainsi qu’un protocole d’évaluation rigoureux, permettant l’inspection et la comparaison d’algorithmes et de modules variés. Notre étude révèle qu’une détection efficace des objets filiformes peut être obtenue sans recourir à : (1) une localisation basée sur des ancres ; (2) des représentations spécifiques des boîtes englobantes. En revanche, l’élément clé pour améliorer la détection des objets filiformes réside dans l’adaptation des caractéristiques. Ce travail identifie et exploite pleinement des intuitions issues des méthodes existantes, jusqu’alors sous-exploitées. En outre, nous proposons une stratégie d’adaptation des caractéristiques qui permet d’obtenir des améliorations nettes et cohérentes par rapport aux méthodes actuelles de détection d’objets les plus représentatives.