【水下目标检测】比赛记录和心得 day4

改进成果：

1. 果然新训练的有了些许提升（提高了 5%），然后应该再训练一会可以更好地收敛（由于硬件原因只训练了大概 5、6 个 epoch，晚上睡觉再训练吧，，，）；
2. 昨天的合成样本考虑了简单的方法，即先将图片分成困难分类(im_hard)和简单分类(im_easy)，分完之后大概是 $43:45$ 的比率，那么合成样本就是 $im^{'}=0.75*im_{hard}+0.25*im_{easy}$，这样训练的结果对于海星海胆这样比较清晰的目标结果比较好，但是由于海参、贝壳（因为大部分贝壳都埋在土里）本来就难以区分，导致结果不是很好；

正在做的工作：

群里有人说去年 YOLO v3 的成绩不错，并且我还发现它的一个版本的源码不需要编译 Cython 文件，所以租了一个 2080Ti 的服务器，跑了 60 个 epoch，结果如图：

这里训练的没有怎么调参数，也没有用太多的 tricks，所以结果似乎不尽如人意，召回率为 0.97 左右，准确率只有 0.03 左右（但不得不说这个源码做的标注是真滴好看）；

所以下一步会在这个 YOLO v3 的基础上改一下代码并使用一些 tricks，看看效果如何：

1. 先在分布均衡的样本上训练；
2. 加上 nms；
3. 进行更精细的样本合成；
4. 修改一下 Loss 函数，使用 Focal Loss 或者其他的优化函数；
5. 使用 random shape 进行多尺度训练；
6. 看一下 OHEM（在线难例挖掘）；
7. 关心一下 IOU 值（之前 0.5 好像有点小）；

闲言碎语：

到这里我还是不想放弃 Faster-RCNN + MobileNet V2 的思路，但是由于在租用的服务器上编译它的 Cython 文件总是出各种问题，遂先暂时把重心放到 YOLO V3 上吧，，，

加上最近也在看 EEG（脑电图识别）的论文，可能时间不是很充裕，就随天意吧，毕竟炼丹
嘛hahhh；