目錄

一、小物體檢測(cè)

1、降采樣率減小 +空洞卷積

2、anchor設(shè)計(jì)

1）統(tǒng)計(jì)方法

2）anchor邊框聚類

3、多尺度訓(xùn)練（multi scale training——MST）

4、 特征融合

---

一、小物體檢測(cè)

????????在分類任務(wù)中，一般物體的大小都差不多，這也使得單純的分類任務(wù)不需要考慮物體的大小等因素，但是在目標(biāo)檢測(cè)中，因?yàn)樵谕粋€(gè)圖像中，可能會(huì)出現(xiàn)多個(gè)目標(biāo)，有的目標(biāo)像素占比大，有的目標(biāo)像素占比小，比如遠(yuǎn)處的人高度只有30個(gè)像素，近處的人卻有幾百個(gè)像素，這導(dǎo)致在深度學(xué)習(xí)的前向傳播過(guò)程中，由于下降樣的因素，會(huì)導(dǎo)致小目標(biāo)在降采樣的過(guò)程中直接丟失。

??????? 一般解決的方法有以下幾種：降采樣率減小、anchor設(shè)計(jì)、多尺寸訓(xùn)練、特征融合、尺度歸一化（SNIP）

1、降采樣率減小 +空洞卷積

?????? 將采樣率下降的話就可以使得更小的物體能夠保留下來(lái)，而不至于在下采樣后一個(gè)像素點(diǎn)都不保留，但是減小下采樣率會(huì)導(dǎo)致模型的感受野減小，這樣對(duì)于模型是不利的，因此為了平衡二者之間的關(guān)系，一般我們可以使用空洞卷積來(lái)維持感受野的大小。

2、anchor設(shè)計(jì)

1）統(tǒng)計(jì)方法

????????設(shè)計(jì)多組anchor，然后將每一組anchor和真實(shí)框進(jìn)行對(duì)比，以IOU和正樣本數(shù)作為指標(biāo)。取一組性能指標(biāo)指示最好的anchor作為訓(xùn)練的anchor。

????????同一類物體雖然在單一尺寸上有很大的區(qū)別，但是在寬高比例上可能差別不大。

2）anchor邊框聚類

????????利用k-means等聚類算法對(duì)訓(xùn)練集的真實(shí)框的長(zhǎng)寬進(jìn)行聚類，得到k個(gè)中心，將這些中心的值作為anchor生成的比例。具體可以參考yolov3模型。

3、多尺度訓(xùn)練（multi scale training——MST）

??????? 訓(xùn)練的時(shí)候?qū)D像縮放成指定的尺度，然后進(jìn)行訓(xùn)練。為了實(shí)現(xiàn)多尺度，先設(shè)置多組不同的尺度，然后每次迭代訓(xùn)練的時(shí)候都是先隨機(jī)選取一個(gè)尺度，然后將輸入圖像縮放到這個(gè)尺度后再進(jìn)行訓(xùn)練，雖然在同一次的迭代時(shí)，尺度是一樣的，但是不同的迭代會(huì)有不一樣的尺度，這樣得到的模型就會(huì)有較高的魯棒性。

??????? 測(cè)試的時(shí)候則將圖像放大4倍或者其他倍數(shù)后，再進(jìn)行檢測(cè)，這樣有利于小物體的檢測(cè)。

4、 特征融合

??????? 一個(gè)圖像在深度學(xué)習(xí)模型前向傳播的過(guò)程中，圖像會(huì)逐漸減小，導(dǎo)致圖像的細(xì)節(jié)丟失，語(yǔ)義信息增加。即淺層的圖像細(xì)節(jié)多，深層的圖像語(yǔ)義信息多，因此可以將深層的上采樣回來(lái)和淺層的進(jìn)行融合。常見(jiàn)的有FPN、DetNet、彩虹融合、dssd等等

?5、

?

總結(jié)

以上是生活随笔為你收集整理的【深度学习】——物体检测的难点的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺(jué)得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。