目标检测DINO算法——添加无标注图像训练

对于假阳性较多的情况，理论上，添加一些没有目标的“纯阴性”样本进行训练可缓解该问题。但通过查阅issue并未发现相关的添加方法。为此我自己尝试添加无标注样本进行训练，训练过程可正常执行，但该添加无标注样本方法的有效性待进一步验证。如果有问题后续会订正。

一、无标注样本COCO格式数据

对于没有标注信息的图像，在生成COCO格式数据时，设置bbox=[ ]，area=0， category_id=0。如果不知道如何生成COCO格式数据可参考我另一篇博客制作自己的COCO格式数据集，附代码！

二、Dataset代码修改

dataset中，获取image和target之后，image和target会被送入self.prepare中进行处理。其中self.prepare是ConvertCocoPolysToMask类的实例对象，源码位于DINO/datasets/coco.py。需要在__call__方法内添加两行代码：

...
boxes = boxes[keep]

# 添加如下代码
if keep.numel() == 0:
    keep = torch.tensor([0], dtype=torch.bool)

...

经过上述coco格式数据生成以及代码处理后，对于没有标注的图像，读取的boxes、labels和area均为torch.tensor([ ])。