目标检测中存在的部分难点及相应解决思路

殇者知忧

已于 2024-01-30 18:41:53 修改

阅读量1k

点赞数 12

文章标签：目标检测深度学习人工智能计算机视觉

于 2024-01-30 02:11:24 首次发布

本文链接：https://blog.csdn.net/2303_79833354/article/details/135924123

版权

（本文只是笔者看了若干知乎文章与csdn博客后做的一个个人总结，笔者也只是一个刚开始了解深度学习的大一萌新，不要试图对本文抱有任何学术水平的期望

小目标检测

定义：

顾名思义，略。

难点：

1. 由本身定义导致的rgb信息过少，因而包含的判别性特征特征过少。

2. 数据集方面的不平衡。这主要针对COCO而言，COCO中只有51.82%的图片包含小物体，存在严重的图像级不平衡。

3. 目标不仅仅是小，而且是难，存在不同程度的遮挡、模糊、不完整现象。COCO中很大一部分小目标标注都是hard case annotation，这也就解释了为什么在41%的标注都是小目标的情况下，小目标的检测性能还是如此差——因为它们中很大一部分标注都是难以被有效利用的。

基本解决思路：

（打括号表示该思路不常用或效果不理想）

1. 叠加正FPN和倒FPN
(2) 使用GAN增强小目标的表达（如生成伪造的高分辨率的图片或特征？）并对其的表达判断ture和fake。
(3) 利用小物体所处的环境信息或者和其它容易检测的物体之间的relationship来辅助小物体的检测，弥补小目标检测中存在的遮挡和阴影。
4. 增加小物体（anchor）的数量：复制粘贴+多角度+多种对比度+…。
(5) 放大小物体。
6. 加强目标特征：提高小物体loss的权重。
7. 数据增强：缩放增强和马赛克增强。

样本不均衡

定义：

样本（类别）样本不平衡（class-imbalance）指的是分类任务中不同类别的训练样例数目差别很大的情况。

一般地，样本类别比例（Imbalance Ratio）（多数类vs少数类）明显大于1:1（如4：1）就可以归为样本不均衡的问题。

意义：

以常见的二分类问题为例，我们希望预测病人是否得了某种罕见疾病。但在历史数据中，阳性的比例可能很低（如百分之0.1）。在这种情况下，学习出好的分类器是很难的，而且在这种情况下得到结论往往也是很具迷惑性的。

以上面提到的场景来说，如果我们的分类器总是预测一个人未患病，即预测为反例，那么我们依然有高达99.9%的预测准确率——但这种结果是没有意义的。

还是以医疗诊断为例，错误地把患者诊断为健康人与错误地把健康人诊断为患者，看起来都是犯了“一次错误”，但是后者的影响是增加了进一步检查的麻烦，前者的后果却可能是丧失了拯救生命的最佳时机。

再如，门禁系统错误地把可通行人员拦在门外，将使得用户体验不佳，但错误地把陌生人放进门内，则会造成严重的安全事故。

还有，在信用卡盗用检查中，将正常使用误认为是盗用，可能会使用户体验不佳，但是将盗用误认为是正常使用，会使用户承受巨大的损失。

在上述案例中，将正类错判为负类和将负类错判为正类的损失之间的差异是巨大的——因此我们必须要提高我们分类器的precision。

（上述案例也提供了一个针对样本不均衡问题的解决思路——代价敏感学习）

基本解决思路：

1. 欠采样+欠采样代表性算法，如EasyEnsemble。
2. 过采样+过采样代表性算法，如BalanceCascade。
过采样也可以通过①增加困难样本的数量②调整一张图像的阴暗度等方式来实现。
3. 混合采样，如Smote+ENN。
(4) 筛选出困难样本。
5. 数据增强：①单样本增强②多样本增强③使用生成模型生成样本。
6. 代价敏感学习，为不同的分类错误给予不同惩罚力度/权重：①调整损失函数权重②均衡化损失函数梯度。
7. 调整分类阈值。
(8) 使用GAN生成困难样本来增加困难样本数量。
9. 使用precision@n，F1，G-Mean，ROC曲线面积，AUC曲线面积，MAP等指标来评价模型。