2019百度之星开发者大赛-复盘

• 进决赛时是前十名，之后因为队员的安排没有去北京参加路演答辩

• 1、比赛介绍

• 面向AI爱好者的深度学习算法竞赛——百度之星-开发者大赛，总之是为有创新力、专业性、团队合作精神和极客精神的顶级开发者团队提供真实的数据集+深度学习飞桨平台+一站式深度学习开发平台AI Studio

• 模型小型化技术成为最近几年学术界和工业界研究的热点，模型小型化技术也从最开始的网络剪枝、知识蒸馏、参数量化等发展为最新的神经网络架构搜索（NAS）和自动模型压缩等技术。

• 目标检测任务要找出图像中所有感兴趣的目标，确定它们的位置和大小，是计算机视觉领域的几个核心问题之一。首先是找出图像是否有给定类别的目标实例，如果有，返回每个目标实例的空间位置和覆盖范围。

  注意和目标识别的区分，目标识别是将图像看作整体来进行分类.。。。目标检测是给出的是对图片前景和 背景的理解，其主要分为两个子任务：目标定位和目标分类，要求从背景中分 离出感兴趣的目标并获得这一目标的类别信息和位置信息

• 由于各类物体有不同的外观、形状、尺度和姿态，加上成像时的光照、遮挡等因素干扰，目标检测一直是计算机视觉领域最具有挑战性的问题之一

• 目标检测算法从最早的 Two-Stage 算法：RCNN、faster-RCNN等，到 Single-Stage 算法：YOLO、SSD等，不仅在检测精度上有着巨大的提升，模型的复杂度和计算量也大大减少。即便如此，在移动嵌入式设备上进行实时处理目前仍然是一个巨大的挑战。相比只考虑精度的传统目标检测比赛，本次比赛在关注精度的同时，还将考虑整个算法效率。

初赛：参赛系统模型，源代码，注释文档

决赛：前十名晋级决赛，之后我们因为时间安排的关系去不了北京现场路演，放弃了这次决赛的答辩机会

2、比赛题目介绍

• 比赛目的：目标检测，检测出感兴趣目标在图像的位置和大小。

• 参赛者需要提供一个飞桨模型，模型输出照片中每个目标的信息：boundingbox（[x0,y0,x1,y1]）、类别信息和分数

  bounding box指proposal经过再次精修后的预测框。

• 训练和测试集使用COCO2017，该数据集包含80个类别，20W张图片的训练，验证和测试数据。

• 排行榜的模型性能使用2017val进行评估，初赛截止的时候用2017test-dev进行评估（前20名）

• 评价标准：本竞赛同时考虑模型的计算复杂度和精度，其中计算复杂度使用乘法累加次数（MAdds）计算，精度使用COCO评测集上的mAP，为了平衡模型的计算复杂度和精度，我们根据以往多个模型Madds和对应的mAP拟合了评估曲线。 最终的分数按如下公式计算：

                               score = mAP - (k * log(MAdd) - a)
  

• 仔细解读题目，可以看出基于深度学习的目标检测算法，虽然在精度方面超过了基于机器学习的传统目标检测算法，可是对硬件的要求却急剧上升-------------如何减少模型的运算时间，同时确保精确度较高。

3、Two_Stage和Singele-Stage网络的区别？

• Single-Stage/One-Stage: 直接回归物体的类别概率和位置坐标值，速度快，准确度有降低

  直接通过主干网络给出类别和位置信息，没有使用RPN网路(区域生成网络)。这样的算法速度更快，但是精度相对Two-stage目标检测网络了略低。

  经典的One-Stage目标检测网络：YOLO , SSD ,DSSD, Retina-Net

• Two-Stage: 先由算法生成一系列作为样本的候选框，再通过卷积神经网络进行样本分类。

  通过一个卷积神经网络来完成目标检测过程，其提取的是CNN卷积特征，在训练网络时，其主要训练两个部分，第一步是训练RPN网络，第二步是训练目标区域检测的网络。网络的准确度高、速度相对One-stage慢。

  经典的RNN，Faster-RNN

  首先输入一张图片，接着经过卷积神经网络，通过卷积神经网络对图片进行深度特征的提取，这个卷积神经网络称之为主干网络，典型的主干网络有VGGNet、ResNet 、Zenet等一些经典的卷积神经网络结构；接着通过RPN网络来进行候选区域产生的操作，同时也会完成区域的分类，即将图片分为背景和目标这样两种的不同的类别，并且也会对目标的位置进行初步的预测。

  接下来对候选区域中的位置进行精确定位和修正，使用Roi