目标检测-识别提升方法记录

1. 目标检测提升方法记录

1. 添加预训练（imagenet/coco），增强模型泛化能力，缓解过拟合，减少误检（很有用），无副作用。(实验证明，如果有强数据增强，训练数据集又比较多，可以用上次的最优模型作为预训练，能取得更好的效果) (有条件的话可以用大数据做预训练模型例如obj365，实验表明会有明显的提升)

2. 添加纯负样本（检测base模型，检测分数大于0.05的误检），加入训练，有效减少误检 ， 副作用是只添加纯负样本map可能会少许降低。（改进1：在纯负样本里面copy-paste贴图，增加目标，或者是选择带目标的误检图更好）（改进2：在贴图时先用模型检测纯负样本，贴图尽量避开纯负样本检测的误检框， 或者是输出最后一层Objectness头的featuremap热力图,避开热力图较高的位置）（改进3：针对纯负样本较多的情况，在强数据增强关闭以后Mixup，可以针对性的挑选难的负样本进行参与训练，不用全量负样本，这样会有较好的效果，例如选择阈值大于0.01的负样本参与训练，负样本过滤策略）（改进3：针对负样本较多的情况，实验证明，增加预训练，提升batch_size 也会有一定的改进作用）

3.搜索特定类别的误检样本作为纯负样本，同时也可基于常出现的误检增加一个检测类别来减少该类别的误检（部署时可以考虑去除该类别），带来的副作用是定位误差，重复检测误差变大，map可能会降低。

4.增加小目标的训练过滤ignore （训练时涂黑面积小于一定值的目标/ignore目标不参与训练）可以有效提高大目标的检测精度，同时减少小目标的误检，副作用是小目标精度会受到影响。（如部署时也增加小目标过滤，则无此影响）

5. Mosaic、RandomAffine 尽量减少