ImageNet2017 周记之第四周

距离截止日期还剩下一周，baseline还没有，但是已经找到问题所在。我把之前的VOC的prototxt换成coco的，然后使用class-aware的方式，训练。这样原先bbox输出的8个点，就变成了现在的804点，rfcn的8*7*7变为804*7*7，计算量无疑变大，训练速度自然也就变慢。由之前的1s2.5轮，变为现在1s1 轮。而batch是1，两块卡是2，也就是1s能够过两张图片，两个半小时能训10000轮，这样训了9w轮，我测了一下，mAP直接就是35.2，说明自己的想法是正确的，但是时间还2天。然后继续训到16w轮，升到39.9，此时降低rpn的loss_weight，由1变为0.5，学习率降为0.0001，又训练了几万轮，mAP到了44.3。之后又将rpn的loss_weight由0.5降为0.2，接着训到截止提交结果当天的四点左右，同时，师弟将之前低于0.2的类单独挑出来，使用我的模型finetune，最后，直接分四块卡跑test集，使用阈值为0.01过滤结果，我的模型和师弟单独训练那几类的模型融合，然后同去年的结果merge一起。分别提交了四个结果。