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&