专栏首页目标检测和深度学习目标检测训练trick超级大礼包—不改模型提升精度,值得拥有

目标检测训练trick超级大礼包—不改模型提升精度,值得拥有

arXiv的一篇论文《Bag of Freebies for Training Object Detection Neural Networks》,来自Amazon的研究人员(包括李沐大神)送上了训练目标检测神经网络的trick超级大礼包,相同的网络架构使用大礼包后精度改进明显,值得收藏。

代码也已开源,可谓实用之佳作。

作者信息:

下图展示了使用此trick大礼包训练Faster RCNN和YOLOv3之后,获得的精度增益,相同的算法最多竟有+4.0%AP的增长!

论文使用了dramatically(戏剧性地)这个词来修饰,实不为过!

训练技巧

作者们在文章主要公布了以下训练实用技巧:

1.视觉一致的Image Mixup(Visually Coherent Image Mixup for Object De- tection)

Image Mixup已经成功用于图像分类的样本增广,做法非常简单,图像简单按照比例进行像素混合,如下图:

同样,将带有目标的两幅图像也可以像素混合,生成新的图像含有含有原来的目标,用在目标检测的Image Mixup示意如下:

2.分类头标签平滑(Classification Head Label Smoothing)

3.数据预处理(Data Pre-processing)

主要是随机几何变换和颜色扰动。

4.训练调度程序改造(Training Scheduler Revamping)

改进学习率的衰减方法,使用cosine schedule 代替step schedule取得了更好的结果,如下图:

5.同步批归一化(Synchronized Batch Normalization)

方便多GPU训练。

6.随机形状训练(Random shapes training for single-stage object detection networks)

实验结果

作者首先研究了使用上述trick大礼包(文中以BoF代之)后对目标检测中各个类的影响。

在COCO数据库上,如下图所示,红色代表精度提高,可见绝大部分类别检测精度提高。尤其是Faster RCNN算法,几乎都是明显地正增长。

下图是YOLOv3和Faster RCNN在Pascal VOC 2007 test set上的结果,改进非常明显!

下图是在MS COCO 2017 val set上的结果,同样两种目标检测算法都获得精度提升。

算法检测结果示例:

代码论文地址

https://arxiv.org/abs/1902.04103v1

https://github.com/dmlc/gluon-cv

本文分享自微信公众号 - 目标检测和深度学习(The_leader_of_DL_CV),作者:女王の专属领地

原文出处及转载信息见文内详细说明,如有侵权,请联系 yunjia_community@tencent.com 删除。

原始发表时间:2019-05-16

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

我来说两句

0 条评论
登录 后参与评论

相关文章

  • 学界 | 史上最强GAN图像生成器,Inception分数提高两倍

    在向 ICLR 2019 提交的论文中,有一篇 GAN 生成图像的论文引起了所有人的注意,很多学者惊呼:不敢相信这样高质量的图像竟是 AI 生成出来的。其中生成...

    朱晓霞
  • 推荐|深度学习领域引用量最多的前20篇论文简介

    摘要: 本文根据微软学术(academic.microsoft.com)的引用量作为评价指标,从中选取了关于深度学习和神经网络引用量排前20的论文,应用领域广,...

    朱晓霞
  • Keras官方中文版文档正式发布

    机器之心整理 参与:思源 今年 1 月 12 日,Keras 作者 François Chollet‏ 在推特上表示因为中文读者的广泛关注,他已经在 GitHu...

    朱晓霞
  • Elasticsearch 在 windows 和 ubuntu 下详细安装过程

    1. 前言 作为一名 .NET 平台开发者,选择开发框架时总会面临更多的局限性,不过对于搜索这种刚需服务来说,开源框架可供选择的余地还是比较大的。笔者之前用的是...

    潘成涛
  • Swift-?-!

    上面了解到的是普通值,接下来Optional值要上场了。Optional其实是个enum,里面有None 和Some两种类型。其实所谓的nil就是Optiona...

    用户3004328
  • Linux安装Kibana

    本文环境是在腾讯云服务器CentOS7.2搭建的,JDK1.8,kibana-5.4.2。

    dalaoyang
  • SpringBoot 使用 ELK 日志收集之 Kibana 安装

    本文环境是在腾讯云服务器CentOS7.2搭建的,JDK1.8,kibana-5.4.2。

    IT技术小咖
  • 分享一点关于 Mathematica 的小技巧

    WolframChina
  • java BufferedImage Graphics 绘制验证码

    IT故事会
  • 硬件--一个笔记本电池芯的重生

    某一天家中的充电台灯不能用了,按开关灯不亮,拿过充电器来插上也不充电。得了,先拆为敬,接着就用螺丝刀拆开了,然后准备用万用表测量的时候才发现——万用表没电了。这...

    CnPeng

扫码关注云+社区

领取腾讯云代金券