label smoothing
作者发现在下列两种情况下标签平滑会失效或者没那么有效:
- 1)数据集呈现长尾分布的时候(long-tailed)
- 2)类别数目变多的时候。
https://mp.weixin.qq.com/s/Gz4r4Qprl7HzG2WRuWMyUw
FPN
- C5包含了充分的用于检测不同尺度目标的上下文信息
- 多尺度特征融合带来的收益要远小于分而治之带来的收益.
https://mp.weixin.qq.com/s/EJqAG1gTVaP2icI6QL742A
cross dataset training
- 跨数据集训练精度小于单数据集精度
关键点定位
- 根据目标之间的差别可以推理出最小输入分辨率
- 分辨率有时模型大小更重要 ,分辨率本身有下界以及上界。小于下界无法学习,高于上界不会有提升。
目标检测
- 小于16像素的目标检测难
- 长尾分布目标检测难
- nms的正样本定义很重要,如atss\yoloF等
- 检测分支指导分类分支可提升
- 冷启动模型可以用网络爬取数据,后续根据模型挖掘数据(千分之一/万分之一不同模型)。数据规模增加时,网络帕取数据可能会起副作用。如scale大小不同。
- 检测的目标可以根据长尾分类(百分之一/千分之一/万分之一),来平衡recall和误报。
- one