目标检测算法优化技巧

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了目标检测算法优化技巧，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含3584字，纯文字阅读大概需要6分钟。

内容图文

转载自：https://blog.csdn.net/u014380165/article/details/88011833

论文：Bag of Freebies for Training Object Detection Neural Networks

论文链接：https://arxiv.org/abs/1902.04103

---

这篇论文介绍目标检测算法的一些优化技巧，目前已经在GluonCV中实现了，整体看下来和之前的那篇图像分类算法优化技巧的论文（Bag of Tricks for Image Classification with Convolutional Neural Networks）类似。这篇介绍的优化技巧具体而言包括mixup、label smoothing、学习率修改策略的选择、跨卡BN层计算和随机尺度训练，接下来详细介绍。

mixup是指将2张输入图像按照一定权重合并成一张图像，基于这种合成图像进行训练的模型更加鲁棒，能够有效降低对抗图像的影响。如图Figure2是在分类算法中使用mixup的例子：

Figure3是在目标检测算法中使用mixup的例子，合并之后的图像标签包含2张输入图像的所有标签，可以看出这种思想在实现上还是比较容易理解的。

针对mixup作者做了不同参数设置下的实验效果对比，如Table1所示，这里涉及一个名词：weighted loss，在图表中也做了解释，因为模型训练用的图像来自2张原输入图像通过不同权重合并得到的（如Figure3所示），因此在计算损失函数时（损失函数是基于目标计算的），属于不同输入图像的目标的权重也是不一样的，需要和输入图像在合并时的权重对应。而Table5中第二行的0.5:0.5 evenly表示合成是按照0.5和0.5的权重进行，因此最后计算损失时目标的权重也相等。

为了证明mixup的视觉效果，作者做了前段时间比较有意思的大象贴图实验，如Figure5所示，第一行使用常规的训练方式训练YOLO v3模型，第二行则是采用mixup方式训练YOLO v3模型，可以看出后者能够有效检测到图像贴上的大象（mix-1和orig-1的对比），不过在orig-2和mix-2的对比中，二者都能检测到大象，这一点在文中没有做详细的解释。

label smoothing是分类算法中采用的优化方式，作者将其引入到目标检测算法的分类支路部分。label smoothing的思想很直接，首先来看看原来分类算法的交叉熵损失函数，公式如下：

其中qi表示真实标签，pi是预测值，因为q是one-hot形式（假设分类类别数是K，那么q就是1×K的向量，且其中只有对应的真实类别位置是1，其余都为0）。pi的计算公式如下，这是常见的softmax函数，假设真实类别是i，那么模型训练过程中会不断使得zi远大于zj，这样pi就越接近1，这样公式2中的L就越接近0，虽然这是训练目标，但训练过程越趋近于这种情况，反而是越容易过拟合的。

所以label smoothing的思想就是对真实标签q进行改造，使其不再是one-hot形式，公式如下所示，其中K表示类别数，e是一个很小的常数。举个例子，假设K=5，e=0.1，那么原来q=[0,0,1,0,0]，现在q’=[0.02,0.02,0.92,0.02,0.02]。这样在公式2中，当q‘处于非真实标签时仍然有损失值（比如0.02），就使得pi不会非常接近1，这就降低了过拟合风险。

学习率变化采用cosine函数且增加warm-up，这部分内容可以直接看Figure6。图中(a)是常见的step修改策略和cosine修改策略+warm-up的学习率变化对比图，可以看到cosine在初始和结束阶段的变化都比较缓慢，在中间部分变化相对快一些，整体而言相比step方式变化会更加平稳一些，这种方式有利于训练过程的稳定，包括warm-up的引入，也是为了训练的起始阶段能够更加稳定地进行。

跨卡BN层的计算（synchronized batch normalization），因为目标检测算法的单卡batch size一般不能设置得像分类算法那样大，但是较小的batch size对于单卡计算BN层参数而言并不是很有利，因此跨卡BN层相当于基于多卡数据计算BN层参数，这样计算得到的统计结果更加可靠。

随机尺度训练是指在模型训练阶段采用随机大小的数据进行训练，比如当前批次或epoch采用320×320大小的输入，但是在下一个批次或epoch则采用416×416。这种做法来自YOLO算法，尺寸一般在固定的几个数值中随机选择，比如{320, 352, 284, 416, 448, 480, 512, 544, 576, 608}，相邻数值相差32，表示stride。

实验结果：
实验部分采用的模型包括YOLO v3和Faster RCNN，数据集部分采用PASCAL VOC和COCO。Table2是优化的YOLO v3模型在VOC2007测试集上的效果提升对比。

Table3是优化的Faster RCNN模型在VOC2007测试集上的效果对比。数据增强部分，因为two stage算法涉及ROI的裁剪，因此影响小一些，相比之下在one stage类型算法中影响较大。

Table4是在COCO数据集上的效果对比，YOLO v3的效果提升尤其明显。

 

内容总结

以上是互联网集市为您收集整理的目标检测算法优化技巧全部内容，希望文章能够帮你解决目标检测算法优化技巧所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端

---