PaddlePaddle【AI识虫——目标检测调优分享与解析】心得
文章目录
AI识虫比赛
明确任务类型:目标检测
给出图像,确定图像中虫子的位置和类别、置信度得分了解数据集:
数据量:2183张图片(训练集1693张、验证集245张、测试集245张)
数据规模:中等(防止网络过拟合、数据增强)
数据内容:

任务级别:背景单一,简单数据处理
图像增强
图像增强的好处:增加数据量,人为制造不同场景下的图像,让网络习得更多特征,提高模型的泛化能力。
由于AI识虫的数据集不大,考虑图像增强。
图像增强的常用方法:
1. 翻转(水平+竖直)
2. 增加噪声
3. 旋转
4. 裁剪
5. 缩放/拉伸
6. 模糊(均值模糊、中值模糊)
7. 改亮度
8. 对比度
9. 饱和度
10. 改变颜色空间
11. 像素值的随机抖动
12. mixup(破坏原始图像中的上下文关系,网络学习更鲁棒的特征)
13. GAN生成图像
常用于数据增强的库:Augmentor、ImageEnhance等
归一化、标准化
模型设计
目标检测网络:
一阶段是指预测的同时做分类。如YOLO-V3。
两阶段是指:先提取图像中可能存在目标的潜在区域,不关注存在什么样的目标,存在即可;再对目标进行分类,调整预测框位置。如Faster R-CNN。
YOLO-V3的Backbone是DarkNet,Faster R-CNN的Backbone可以是VGG, ResNet等;Faster R-CNN的RPN网络工作原理,是在原始图像上密集滑动采样的方式确定anchor,也就是卷积核中心点对应的预设好长宽的区域是否存在目标。
评论
登录后参与技术讨论,分享你的经验与见解。
登录 / 注册暂无评论