以數智重慶.全球產業賦能創新大賽為例，目標檢測的幾種常見的做題技巧如下：
針對資料集進行資料提公升
a. 需要對資料進行了解，比如有哪些分類，每個分類下各有什麼特點，每個分類下的尺寸是怎樣的，分布是怎樣的(長尾分布，類別不均衡)。
b. 資料出現了什麼樣的問題，應該怎麼去解決這些問題。(多樣性，長尾分布、小目標)
c. 使用pseudo label提高長尾分布較嚴重類別
針對演算法模型的改進
a. baseline：如果為精度，則應當考慮到cascade rcnn rest50/101；如果為精度和模型大小，則考慮mobilenet-ssd和resnet50-yolo3,訓練epochs為12到36最佳。
b. 使用dcn和senet模組提公升模型的魯棒性。
c. 使用small feed duck(增加小目標的取樣率)和random crop等方法提高小目標檢出率，額外設定ratio=1的anchor,增加小目標正樣本的匹配率。
d. libra-rcnn，在樣本層次，特徵層次，目標層次上做均衡。
針對資料以及模型共同調參
a. rpn iou(0.7, 0.3) -> iou(0.6, 0.2), rcnn階段：iou(0.7, 0.6, 0.5) -> iou(0.6, 0.5, 0.4)
b. 調整anchor的大小，anchor_size=6, anchor_ratio=(0.1, 0.5, 1, 2, 5)
目標檢測演算法優化技巧
這篇 介紹目標檢測演算法的一些優化技巧，目前已經在gluoncv中實現了，整體看下來和之前的那篇影象分類演算法優化技巧的 bag of tricks for image classification with convolutional neural networks 類似。這篇介紹的優化技巧具體而...
目標檢測總結
盡量選擇支援 voc 格式的資料集的演算法，目前仍然以兩階段為主，faster rcnn fpn 網路為 backubone 為主，以商湯 mmdetection 為代表。voc 與 coco 資料集區別，coco 格式資料集作為輸入會過濾掉沒有目標的，會造成負樣本大量減少。voc 格式資料集作為輸...
目標檢測 目標檢測通用框架總結
目標檢測框架個人總結 以下是筆記中包含的內容 目標檢測網路框架總結 yolov4中有圖 從最開始的神經網路到現在深度更深，模組更多的目標檢測深度學習神經網路，如今大致可以分為two stage detector 典型的為rcnn系列 和 one stage detector 典型為yolo系列 每個...