基于Cityscapes数据集的目标检测实战：从数据预处理到模型优化

1次阅读

共计 1328 个字符，预计需要花费 4 分钟才能阅读完成。

Cityscapes 数据集是自动驾驶和城市场景理解的重要基准，包含 5000 张精细标注的城市街道图像（2975 训练，500 验证，1525 测试）。然而实际使用时会发现几个典型问题：

高遮挡率：平均 19.3% 的目标存在部分遮挡（如行人被车辆遮挡），影响检测完整性
类别不平衡：35 个类别中，『骑车人』（0.8%）和『摩托车』（0.5%）等稀有类别样本不足
标注噪声：人工标注的边界框在密集人群区域存在 10-15px 的定位抖动

我们在 RTX 3090 环境下使用相同数据增强策略测试了三种典型架构的表现（输入尺寸 1024×2048）：

模型	mAP@0.5	推理速度(FPS)	显存占用(G)
Faster R-CNN	58.2	8.7	10.1
YOLOv5s	61.4	23.5	6.8
Deformable DETR	64.7	11.2	14.3

注：Deformable DETR 采用 ResNet50 主干和 6 层解码器配置

class CityscapesMixUp(object):
    def __init__(self, p=0.5, alpha=0.8):
        # alpha 控制混合强度，0.8 在实验中获得最佳 trade-off
        self.p = p
        self.alpha = alpha  

    def __call__(self, img1, targets1, img2, targets2):
        if random.random() > self.p:
            return img1, targets1

        lam = np.random.beta(self.alpha, self.alpha)
        mixed_img = lam * img1 + (1 - lam) * img2

        # 合并目标时优先保留大目标
        mixed_targets = []
        area_thresh = 32*32  # 过滤小目标噪声
        for t in targets1 + targets2:
            if t['area'] > area_thresh:
                mixed_targets.append(t)

        return mixed_img, mixed_targets

在 FPN 基础上增加跨层注意力模块（参考 arxiv:2104.10852）：