1 多任务loss 怎么设计
3、出现漏检、误检,怎么解决?
4、零样本分类问题。如果测试时出现一个图片是训练时没有的类别,怎么做
one/zero-shot learning(一次学习/零样本学习)的理解_ytusdc的博客-CSDN博客
5、如何划分训练集?如何选取验证集?
6、如何解决训练集和测试集的分布差距过大问题?
https://blog.csdn.net/ytusdc/article/details/128515236
7、如果有很长,很小,或者很宽的目标,应该如何处理目标检测?
> 小目标不好检测的两大原因:
1)数据集中包含小目标的图片比较少,导致模型在训练的时候会偏向medium和large的目标。
2)小目标的面积太小了,导致包含目标的anchor比较少,这也意味着小目标被检测出的概率变小。
>改进方法:
1)对于数据集中含有小目标图片较少的情况,使用过度采样(oversample)的方式,即多次训练这类样本。
2)对于第二类问题,则是对于那些包含小物体的图像,将小物体在图片中复制多分,在保证不影响其他物体的基础上,人工增加小物体在图片中出现的次数,提升被anchor包含的概率。
3)使用FPN;
4)RPN中anchor size的设置一定要合适,这样可提高proposal的准确率。5)对于分辨率很低的小目标,我们可以对其所在的proposal进行超分辨率,提升小目标的特征质量,更有利于小目标的检测。
8、lr的调节、batchsize怎么调
9、warm up 机制
深度学习训练策略--学习率预热Warmup_ytusdc的博客-CSDN博客_warmup_steps
10、int8,FLOPS,FLOPs,TOPS 等具体含义
int8,FLOPS,FLOPs,TOPS 等具体含义_ytusdc的博客-CSDN博客
14、维度爆炸
12、怎么在我原有的结果上提升准确率
> ①提高数据质量,数据扩充,数据增强(mixup training)
②改变网络结构③改变优化器,改变学习率④知识蒸馏?