论文标题：SCD: A Stacked Carton Dataset for Detection and Segmentation 论文链接：https://arxiv.org/abs/2102.12808 作者单位：华中科技大学 & 女王大学 SCD：第一个公开的大规模堆叠纸箱数据集，包含目标检测和分割的数据标注，共计16,136张图像，有250,000个实例mask，并提出评估SCD的baseline！还提出用于优化RetinaNet的两个创新模块！

纸箱检测是自动物流系统中的一项重要技术，可应用于许多应用，例如纸箱的堆放和堆放，集装箱中纸箱的卸载。但是，到目前为止，还没有公开的大规模纸箱数据集可供研究训练和评估纸箱检测模型，这阻碍了纸箱检测的发展。在本文中，我们提出了一个名为Stacked Carton Dataset（SCD）的大型纸箱数据集，目的是提高纸箱检测的最新水平。图像是从Internet和数个仓库中收集的，并使用每个实例进行标记以对对象进行标记以进行精确定位。从16,136张图像中总共有250,000个实例mask。另外，通过在分类定位模块（OPCL）和边界引导监督模块（BGS）之间嵌入偏移量预测，设计了基于RetinaNet的纸箱检测器。 OPCL减轻了分类和定位质量之间的不平衡问题，在SCD上将AP提升了3.1％-4.7％，而BGS引导检测器更加关注纸箱的边界信息并消除重复的纸箱纹理。为了证明OPCL可以泛化到其他数据集，我们对MS COCO和PASCAL VOC进行了广泛的实验。 AP对MS COCO和PASCAL VOC的改善分别为1.8％-2.2％和3.4％-4.3％。

内容中包含的图片若涉及版权问题，请及时与我们联系删除