Object Detection Solution
To analyze the performance of object detection model, there are two main parts to do: (1) 误检分析,False positive analysis; (2) 漏检分析,False negative analysis.
同样的, 对于误检分析和漏检分析,我们可以把数据划分4个部分,(1)TP(标注漏标,但实际能够检测成功的目标);(2)Positio false positive(预测结果类别正确,但是和GT的iou不满足;(3)Class false positive(预测结果和GT的iou满足,但是类别不正确);(4)Background false postive(背景误检)
把TP加回原来的TP,然后就可以画一个饼图出来。
- 如果类别误检占的比重高,建议训练的时候使用multi-scale,多尺度训练。
- 如果位置误检占的比重高,建议训练的时候关注IOU-loss,建议使用DIOU-loss。
- 如果背景误检占的比重高,建议训练的时候关注bounding box loss,通常用的是smooth-L1 loss,可以使用balanced loss。
- 如果数据中的类别框高比差异较大,比如人是竖立的矩形,车是横向的矩形,需要考虑到模型对框高比的敏感度,建议模型backbone采用FPN结构。
- 模型对检测目标的亮度敏感(如下图),建议使用DropBlock
- 模型对检测目标的清晰度敏感个(如下图),建议使用DropBlock
- 模型对检测目标的面积大小敏感,例如,检测头盔类别,而头盔在图片中的框大多数都是小的,另外一个类别是挖掘机,挖掘机在图片中的框大多数都是大的,建议使用balanced loss。
- 本文标题:Object Detection Solution
- 创建时间:2022-03-18 13:48:30
- 本文链接:2022/03/18/ML/Object-Detection-Solution/
- 版权声明:本博客所有文章除特别声明外,均采用 BY-NC-SA 许可协议。转载请注明出处!
评论