自适应分块分割：提升仓储目标检测效能的创新预处理算法

《Expert Systems with Applications》：Towards Smarter Warehouse Perception: Integrating Adaptive Tile Segmentation in Warehousing Object Detection Pipelines

本文提出了一种创新的自适应分块（Adaptive Tiles）预处理算法，通过零样本分割（zero-shot segmentation）动态生成目标区域建议，有效解决了仓储环境中目标遮挡、尺度变化和光照条件等挑战。该算法集成至DMZoomNet框架后，在LOCO数据集上显著提升了目标检测的mAP（mean Average Precision）指标，为复杂工业场景下的实时目标检测提供了新思路。

　　

区域兴趣识别在目标检测中的演进

目标检测算法历来采用不同策略来识别可能包含待检测目标的区域。这些方法大致可分为三类：基于锚框（anchor-based）的方法、无锚（anchor-free）方法以及特定于Transformer的策略。

基于锚框的方法依赖于"锚框"（anchor boxes）的概念。最初，图像或其特征图会被划分为规则网格。

创新方法：自适应分块

我们提出了一种定义目标检测中感兴趣区域的新策略，称为自适应分块（Adaptive Tiles）。该方法根据场景中目标的存在和位置动态调整区块定位，解决了刚性网格和冗余处理的挑战，同时提高了关键区域的检测精度。

以下小节将描述算法的主要组成部分及其如何集成到现有模型中。

评估方法论

为定量评估我们提出的方法，我们采用了广泛认可的均值平均精度（mAP）指标，这是评估目标检测算法的标准。此外，为了更好地理解检测过程中遇到的错误类型，我们采用了TIDE的增强版本。TIDE将目标检测算法错误分为五类：分类错误、定位错误等。

结论与未来展望

在这项工作中，我们介绍了自适应分块（Adaptive Tiles），一种利用先进分割模型改进目标检测系统中感兴趣区域识别的预处理算法。通过将其集成到DMZoomNet（一种专为仓储等复杂操作环境设计的检测架构）中，我们提出了AdaDMZoomNet，该模型在多个性能指标（包括mAP和TIDE）上均表现出持续改进。这些结果证实了该方法在提升目标检测流程效率方面的有效性。