集成目标检测
(1) Ensemble Methods for Object Detection
代码:https://github.com/ancasag/ensembleObjectDetection
简述: 集成方法的第一步是对重叠区域进行分组。随后,采用投票策略来抛弃其中的一些群体。最后使用NMS算法进行预测。
集成算法可以应用三种不同的投票策略:
- 肯定。 这意味着只要产生初始预测的一种方法说一个区域包含一个物体,这种检测就被认为是有效的。
- 共识。 这意味着大多数初始方法必须同意考虑一个区域包含一个对象。 共识策略类似于通常用于图像分类的集成方法中的多数投票策略。
- 一致。 这意味着所有方法都必须一致认为一个区域包含一个对象。
方法简述:
-
经过backbone + head预测出结果以后,得到一系列的框,对这些框根据类别进行分组,应用三种不同的投票策略(各个组进行各自的NMS),得到最终的预测结果。
-
使用三种变换应用于原始图片,分别进行检测,再做各自变换的逆变换,最后进行merge和NMS操作。
(2)Boosting object detection performance through ensembling on satellite imagery
(3)道路损坏检测挑战赛——YOLOv5
代码:https://github.com/USC-InfoLab/rddc2020
方法简述:
新的图像与现有图像一起被输入到训练好的 u-YOLO 模型中。因此,对应于每一个测试图像,使用增强的图像生成多个预测。在此过程中产生的重复或重叠的预测使用非极大抑制(NMS)算法进行过滤。整个方法被称为集成预测(Ensemble Prediction,EP)。
EM是将 u-YOLO 模型的不同变体进行集成。鉴于训练一个 u-YOLO 模型涉及到调整不同的超参数,使用这些参数的不同组合会产生不同的训练模型。作者选择这些模型的一个子集,以使它们的整体精度最大化。每幅图像都会在所有选定的模型上测试,然后对每个模型的预测结果进行平均,最后应用非极大抑制。这种集成技术通过降低预测方差实现了更好的准确性。
团队的最终方案是将这两种方法结合起来,Ensemble Model with Ensemble Prediction(EM+EP)。
(4)道路损坏检测挑战赛——YOLOv4
代码:https://github.com/kevaldoshi17/IEEE-Big-Data-2020
方法简述:
集成模型由一个基模型和4个半基模型组成。我们没有增加测试集来增加预测时间,而是保存了为不同迭代次数训练的相似基础模型,并在cfg中使用不同的文件大小来人为地增加测试数据,并使用多gpu设置来快速运行多个模型。
(5)道路损坏检测挑战赛——Cascade RCNN + Faster RCNN
方法简述:
滴滴视觉AI技术部图像技术团队沈海峰、张修宝、裴子祥提出的CFM算法,采用了局部区域注意力学习机制,通过利用现有道路分割算法,获取城市道路图像的分割图像作为模板,动态叠加至训练数据集与测试数据集上,使得模型训练基于更丰富的语义信息,具有更好的鲁棒性并提升目标检测的准确率。
另外,该算法还创新性的提出了一种置信度强化训练机制,采用一致性差异迭代训练的方法,即充分利用无标签数据中携带的一致性信息,进行自监督学习和训练。无标签图像通过一系列数据增强方法,例如Flip等,每张图像能够产生图像对,再分别通过预训练模型获得伪标签。利用伪标签的一致性分数筛选出部分可信的伪标签图像加入有标签数据进行迭代训练。
(6)Weighted Ensemble Object Detection with Optimized Coefficients for Remote Sensing Images
方法简述:
使用优化系数加权集成不同的检测器进行目标检测。