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)