Meta R-CNN : Towards General Solver for Instance-level Few-shot Learning 自定义数据集训练踩坑

最新推荐文章于 2024-06-04 09:58:51 发布
最新推荐文章于 2024-06-04 09:58:51 发布
阅读量777 收藏 2
点赞数 2
文章标签： 计算机视觉 机器学习 深度学习 bug
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/h123900/article/details/118502711
版权

Meta R-CNN : Towards General Solver for Instance-level Few-shot Learning 自定义数据集训练踩坑

在复现该算法时，由于是使用自定义的数据集和训练规则，遇到了很多踩坑的东西。在此列出我的实验笔记和自定义训练中遇到的问题和解决方法，给自己做记录也给同样复现的同学们参考。

测试中出现AP值是nan

3 ,1 ,.,.) =
1.00000e-03 *
-0.2829 -0.2829 -0.2829 … -0.2829 -0.2829 -0.2829
-0.2829 -0.2829 -0.2829 … -0.2829 -0.2829 -0.2829
-0.2829 -0.2829 -0.2829 … -0.2829 -0.2829 -0.2829
… ⋱ …
-0.2829 -0.2829 -0.2829 … -0.2829 -0.2829 -0.2829
-0.2829 -0.2829 -0.2829 … -0.2829 -0.2829 -0.2829
-0.2829 -0.2829 -0.2829 … -0.2829 -0.2829 -0.2829

(3 ,2 ,.,.) =
1.00000e-03 *
nan nan nan … nan nan nan
nan nan nan … nan nan nan
nan nan nan … nan nan nan
… ⋱ …
nan nan nan … nan nan nan
nan nan nan … nan nan nan
nan nan nan … nan nan nan
…

(3 ,33,.,.) =
发现nan的出现可能是xml标注格式是以左上为原点，而正常VOC2012数据集是以左下为原点，导致在读取bbox的时候，-1会导致出现log（0）的情况
同时，代码中flip box的操作会导致大型的box超出边界，也会导致错误
所以必要的时候可以调整翻转边界框的表达式，避免我们自定义的特殊尺寸的图片标注出现问题。

实验代码中的shot 问题

验代码疑似在phase 2训练的时候把shot乘上了3 ，关注github作者回复以后会发现这实际上并不是一个作弊举动，实验证明shot 改回1 对结果不影响。作者自称是在保证base class在新测试中的遗忘较小

自定义数据集问题

Traceback (most recent call last):
File “/usr/local/lib/python3.5/dist-packages/torch/nn/modules/module.py”, line 514, in load_state_dict
own_state[name].copy_(param)
RuntimeError: invalid argument 2: sizes do not match at /pytorch/torch/lib/THC/THCTensorCopy.cu:31

在使用网络数据集做测试的时候，发现我们如果引入自采集的png格式图片，png会有alpha channel，导致tensor的维度是4 而不是3，会导致后期出现无法broadcast的情况，png图像处理不能只改动后缀名，需要逐个转化。
加载自采集的数据集是，发现class类别出现不对应问题，可能为出现的错误部分负责。

小灰灰的灰灰兰兰
关注
  • 2
    点赞
  • 踩
  • 2
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
Meta R-CNN : Towards General Solver for Instance-level Low-shot Learning 论文笔记
qq_30146937的博客
05-05 5176
前言 本文提出了一种实现小样本目标检测的通用方法，基于Faster R-CNN生成的RoI feature进行元学习。目前的元学习方法在小样本识别方面非常有用，这主要是因为只需识别单个目标。但如果一张图像中包含多个目标，并且还混合的有背景信息，那么这些元学习方法就不再有用了，因为它不能将这些复杂的信息分开。本文发现，可以通过Faster R-CNN产生的RoI feature对这些混合的目标进行预...
Faster R-CNN Towards Real-Time Object Detection With Region Proposal Networks
08-06
论文：Faster R-CNN Towards Real-Time Object Detection With Region Proposal Networks
【论文翻译】Meta R-CNN : Towards General Solver for Instance-level Low-shot Learning
小张好难瘦的博客
04-19 1440
Meta R-CNN : Towards General Solver for Instance-level Low-shot LearningMeta R-CNN：面向实例级少样本学习的通用解算器 论文地址： 代码地址：https://yanxp.github.io/metarcnn.html Abstract Resembling the rapid learning capability of human, lowshot learning empowers vision systems t.
Meta R-CNN：实例级低样本学习的通用求解器
最新发布
gitblog_00049的博客
06-04 307
Meta R-CNN：实例级低样本学习的通用求解器 项目地址:https://gitcode.com/yanxp/MetaR-CNN 在深度学习的世界中，面对新的类别时，如何以少量样本快速适应和识别是极具挑战性的任务。这就是低样本学习（Low-shot Learning）的魅力所在。本文将向您推荐一个卓越的开源项目——Meta R-CNN，它旨在为实例级低样本学习提供一种通用的解决方案。 项目介绍...
Meta R-CNN : Towards General Solver for Instance-level Low-shot Learning个人理解
deeping games
05-22 931
在小样本条件下，在当时检测物体每次是进行检测一个物体（如Few-shot Object Detection via Feature Reweighting中），由于一张图片中，受到复杂的背景和多个其他目标的干扰，检测的效果不好。于是呢，提出了利用Faster RCNN的RPN将目标分为多个proposals，基于proposal来进行检测，这样就避免了其他的干扰。本文还引入了PRN模块，接收含小样本对象和其边界框或者掩码的图片，来得到class attentive vectors.
论文阅读《Meta R-CNN : Towards General Solver for Instance-level Low-shot Learning》
AmbitionalH的博客
06-21 1701
1
Meta R-CNN : Towards General Solver for Instance-level Few-shot Learning VOC2012数据集复现结果
h123900的博客
07-06 631
Meta R-CNN : Towards General Solver for Instance-level Few-shot Learning VOC2012数据集复现结果 在复现该算法时，由于是使用自定义的数据集和训练规则，遇到了很多踩坑的东西。在此列出我的实验笔记和基础复现结果，给自己做记录也给同样复现的同学们参考。 环境 Requirements python 3.5 PyTorch = 0.3.1 Torchvision = 0.2.0 cython pyyaml easydict opencv-
论文阅读笔记《Meta R-CNN : Towards General Solver for Instance-level Low-shot Learning》
深视
06-21 4240
核心思想   本文基于Faster/Mask R-CNN提出一种小样本目标检测/分割网络（Meta R-CNN）。文章保留了Faster/Mask R-CNN两阶段式的结构，整体网络结构如下图所示   首先，查询集图片经过特征提取网络和RPN网络（与Faster/Mask R-CNN中相同）得到感兴趣区域的特征图ziz_izi​。然后支持集图像和对应的真实标签图经过预测器重建模网络（Predictor-head Remodeling Network，PRN，注意与RPN相区分）得到每个类别对应的类别注意力
小样本目标检测：few-shot-object-detection训练自己的数据集（Fine-tune COS classifier）
weixin_46822502的博客
11-05 2150
填补一下之前训练数据集的大坑，在测试自己的数据集时，前面步骤按照(15条消息) 小样本目标检测：few-shot-object-detection训练自己的数据集_一个王同学的博客-CSDN博客_小样本目标检测https://blog.csdn.net/qq_35030874/article/details/116996814配置下来就可以工作了 需要注意的是，如果需要修改Roi-Head的输出层，如将FC修改为COS，需要在tools.ckpt_surgery.py中的main()函数进行修改。如果之前
Faster R-CNN: Towards Real-Time Object Detection with Region
04-06
在深度学习模型VGG-16上，Faster R-CNN系统能够在GPU上实现每秒5帧的检测速率，同时在PASCAL VOC 2007和2012数据集上取得了当时最先进的检测精度，分别为73.2%和70.4%的平均精度（mean Average Precision，mAP）。...
Faster R-CNN Towards Real-Time Object Detection with Region Proposal
10-14
《Faster R-CNN：迈向实时目标检测的区域提案网络》是计算机视觉领域的一个里程碑式的工作，由Shaoqing Ren、Kaiming He、Ross Girshick和Jia Deng共同提出。该研究解决了以往目标检测算法速度与精度之间的权衡问题...
Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks
05-27
faster rcnn 的论文，里面有介绍具体的原理，然后再下载代码比较即可理解
3D-RCNN: Instance-level 3D Object Reconstruction via Render-and-Compare
07-04
instance-level 3D scene understanding. We train a deep convolutional network that learns to map image regions to the full 3D shape and pose of all object instances in the image. Our method produces a ...
Meta-RCNN: Meta Learning for Few-Shot Object Detection【阅读笔记】
m0_57600659的博客
11-06 1870
小样本目标检测
VOC数据集上自己训练FSOD: Few shot object detection
苏打水的杯子的博客
10-04 1571
问题汇总： 1、BrokenPipeError: [Errno 32] Broken pipe 这个问题我直接将torch.utils.data.dataloader lines:185中的self.num_workers强制设置成1 2、FloatingPointError: Predicted boxes or scores contain Inf/NaN. Training has diverged. batch_size调大解决此问题。 ...
metaRCNN安装指南
weixin_46822502的博客
09-28 1245
首先从GITHUB上下载程序 www.github.com/ucbdrive/few-shot-object-detection 根据README.md配置 Conda 环境，其中python =3.6 安装torch cuda 1.6 with (your cuda version) 卸载掉本机的pycocotools （重要） S1 :python -m pip install --upgrade pip S2: 查看pycocotool本机地址： pip install pycocotools S3.
小样本目标检测--Meta-RCNN论文阅读
蒲建建
11-18 3371
目录 介绍 网络框架 数据集准备 创新点 损失函数 训练和测试过程 实验 结论 介绍 网络框架 数据集准备 L（训练集） 分为support set和Query set，对于第i次任务，K ways和N images随机从Lc中选择，建立成 S（测试集，与L没有类别重合） 创新点 损失函数 训练和测试过程 实验 结论 ...
目标检测笔记(1)——R-CNN
u013952812的专栏
05-05 289
1. R-CNN 论文：Rich feature hierarchies for accurate object detection and semantic segmentation （https://arxiv.org/abs/1311.2524v3） 算法结构（图来自https://blog.csdn.net/xyfengbo/article/...
faster r-cnn: towards real-time object detection with region proposal networks
06-28
Faster R-CNN是一种基于区域建议网络（Region Proposal Networks，RPN）的物体检测算法，旨在实现实时物体检测。它通过预测每个区域是否含有物体来生成候选框，并使用卷积神经网络（CNN）来确定候选框中的物体类别。...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值