目标检测总结
发布时间
阅读量：
阅读量
任务
常规的目标检测任务涉及不同尺寸的目标识别。本研究提出的方法专注于小尺寸目标的识别，并适用于以下应用场景：地铁站和火车站的人体探测、遥感影像中的小目标识别以及卫星图像的小物体探测。
创新点：
- 移除了原始YOLO框架的全连接层，使用了全卷积的方式，删除了(7 7 1024)4096(7 7 30)的最后两个全连接层，参数只有原始YOLO的10%，取而代之的是使用kernel=3 3 stride=2 padding=1的卷积下采样得到N 5 H W大小的特征图作为预测结果，其中5通道，各个通道表示（class, bbox左上角x坐标，bbox左上角y坐标，bbox右下角x坐标，bbox右下角y坐标）
- 采用适应性高分辨率训练（adaptive high resolution training method）：因为是全卷积网络没有全连接层，所以对输入尺寸的不敏感的。先采用低分辨率训练7000batch，batch size=16，在使用原始分辨率训练2000batch
- 多尺度训练：给定一个最小分辨率和一个最大分辨率，图片随机裁剪到该范围大小，提高模型的泛化性能。
- 两种训练策略提升2个mAP的百分点，COCO数据集在25ms/image的速度下达到0.35mAP。
- 提出新的优化策略：融合了AdaGrade+Momentum新的优化策略，训练效率不如Adam但效果优于Adam。
- 解决模型训练过慢问题：使用Nvidia dali解决CPU瓶颈，Automatic Mixed Precision解决GPU瓶颈、内存盘解决数据IO瓶颈。
全部评论 (0)
还没有任何评论哟~