深度学习中，进行目标检测时降低误检率的可能方向汇总

目录

训练方面：

后处理方面：

---

训练方面：

1.Focal Loss

2.Label Smoothing

3.nms,soft-nms;提高准确率

4.Cosine Learning Rate Decay

5.利用GAN将小物体放大再检测，或者使用paddle中的切图与拼图训练（ppyoloe slice_infer）

6.增加训练输入图像尺寸，比如960，对于小尺寸目标检测效果会有提升，其他诸如iou、obj的阈值

7.最简单操作性最方便的就是数据增强，我多年前训练车牌识别就是基于opencv的Cascade，仅仅只通过数据增强的方式检测准确率就从60%提升到了85%+（时间久远mAP忘记了...）

可参考的数据增强方式有（以车牌为例）：

• 复制、缩放正样本，比如标记好的车牌裁剪出来粘贴到背景其他地方，同时随机缩放、仿射变换、透视变换、遮挡等等；
• 生成正样本数据，适用于目标可以生成的情况，比如车牌，你准备好一个空的背景，准备好对应的字体，就可以无限生成数据；
• 分析误识别的情况，针对性加入随机模糊、扭曲、色彩变换等增强；

8.​​​​​​hard example mining(困难样本挖掘) 

对于目标检测中我们会事先标记处ground truth，然后再算法中会生成一系列proposals，proposals与ground truth的IOU超过一定阈值（通常0.5）的则认定为是正样本，低于一定阈值的则是负样本。然后扔进网络中训练。However，这也许会出现一个问题那就是正样本的数量远远小于负样本，这样训练出来的分类器的效果总是有限的，会出现许多false positive。把其中得分较高的这些false positive当做所谓的Hard negative，既然mining出了这些Hard negative，就把这些扔进网络再训练一次，从而加强分类器判别假阳性的能力。

9.增加负样本:

• 分析误检出来的负样本，同样复制、缩放到背景，只是没有标注框而已，同时还可以网上搜索一些类似的图加入训练
• 如果总是对某种类型的目标误检，可以增加一些相应的样本到训练集中去，提高模型的分辨能力，可以在不降低召回的情况下降低误检。
• 测试图像中被识别错误的物体所在区域，进行负样本生成(通常对原图像进行裁减，使得裁减下来的图像只包含误识别的物体，而不包含目)
• 确定数据是否均衡

后处理方面：

1.先做检测，再做识别。

2.工程上来说，加入多帧判断策略、区域位置 大小先验限制。

3.交互方式:

• tracking。标记了是误检、然后去track，如果track到的框分数还很高，直接删。
• 特征匹配。一旦出现误报，用户进行交互，误报的bbox就被当成一个template，把他的feature保存下来，接下来3分钟内如果还有要报的bbox，拿2个feature做similarity，如果很similar，就直接ignore不报警。只有当新的bbox和这个template bbox的feature similarity很低的时候，才报警。其实跟tracking很像，只不过简单点，能省点资源，毕竞feature similarity超级快。