LSDA算法（基于大量类别的场景）

LSDA算法背景

资源

论文全称：LSDA: Large Scale Detection through Adaptation
论文链接：https://arxiv.org/abs/1407.5035
论文日期：2014.11.01

算法简介

目前基于大尺寸目标检测的难点：检测数据集标签难以获取。
本文算法就是针对含有检测标签的类别，学习分类与检测两者这件的差别，然后将这些差别迁移到没有检测标签的类别上，训练出检测器。

本文提出的LSDA算法是基于含有大量类别的场景进行目标检测的算法，目前有很多金典算法在目标检测领域表现优秀，检测准确度有了很大的提升，但是这些算法的检测场景中只包含20个左右类别的对象，而现实场景中，对象种类成千上万，这些金典算法基于大尺寸场景的检测表现的不够突出，因此本文提出了一个基于迁移学习原理的自适应检测算法。

由于分类数据集通过搜索引擎可以得到大量的数据，这些数据的标签是图像级别的，只需要识别是何种对象，而检测数据集的标签还需要精确的定位边界框，检测数据集难以获取。目前有很多分类数据集含有上千类目标，可以训练出很好的分类网络，但是检测数据集只有上十类的对象，检测这上十类目标准确率很高，但是应用于其他类别的对象则表现不佳。因此，本文提出了一个迁移学习算法，首先利用分类数据集初始化神经网络，然后再利用检测数据集进行微调，然后将检测数据集训练的参数迁移到没有检测标签的类别上。

算法详情

算法的核心就是针对含有检测标签的类别，学习分类与检测之间的配对关系，然后迁移到不含检测标签的类别上，训练出针对所有类别的检测器。

本算法就是一个迁移问题，将分类器作为源域，检测器作为目标域，找到源域到目标域的一个通用迁移，从而任何图片分类器都可以应用到目标检测中。

算法对比