【深度学习】关于SSD系列网络对背景产生误检情况的解决办法

尝试方法一：直接对误检的图像生成一个空的xml文件。（文件中没有任何对象）

训练结果：由于xml文件中没有任何正样本对象，所以网络无法学习到背景信息，使用训练后的模型测试误检的图像，依然会产生误检。（这里网上有人说即使没有正样本，SSD网络在训练时也会产生负样本，本人测试，当整幅图像没有任何正样本时，网络学习不到任何信息，训练时loss=0）

 

尝试方法二：误检的图像中含有正样本对象，但不是误检的类别。（例如：该图像中人物类别出现误检，但对该图像进行训练时只标注了一个汽车类别，而没有增加人物的正样本类别）

训练结果：这种情况下，对网络进行训练时，会产生loss，并且训练后的模型，不会再把误检图像中的背景误检为人物。

 

尝试方法三：人为插入一个人物到误检图像中，然后标注进行训练。（原图中没有人但产生了误检，此时插入一个人物到图像中，再进行标注训练）

训练结果：网络训练时，会产生loss，并且训练后的模型，不会再把误检图像中的背景误检为人物。

 

总结：SSD系列(refinedet)的这类目标检测网络,无法对图像中只有背景的样本进行训练，图像中必须包含正样本目标才能训练网络，并且当图像中某个类别产生误检，重新对该图像进行训练时，即使图像中不含该类别，网络也能学习到误检的背景信息。（即SSD在生成1:3的正负样本时，只区分正样本：背景，而不是类别A：非类别A）