1 pretratamiento
DENSE_RATIO = 4
Las razones para elegir una proporción de 4 son las siguientes:
1. La proporción de muestreo del mapa de características más bajo de DetectoRS FPN es 4,
Puede ver su archivo de configuración: https://github.com/joe-siyuan-qiao/DetectoRS/blob/master/configs/DetectoRS/DetectoRS_mstrain_400_1200_x101_32x4d_40e.py
2 Modelo pre-entrenado
Cuando entrenamos el modelo, también necesitamos usar el modelo de entrenamiento previo, donde los datos entrenados previamente provienen de datos de recopilación históricos;
2 Diseño de función objetivo
2.1 Definición de muestras positivas y negativas
Aquí, la definición de muestras positivas y negativas se refiere al estándar del conjunto de datos COCO.
(En el futuro, también necesitaremos definir el estándar de definición de muestras positivas y negativas adecuado para este proyecto de acuerdo con la prueba)
En el conjunto de datos de COCO, la distinción entre muestras positivas y negativas se logra a través de IoU,
El umbral para muestras positivas y negativas es: IoU = 0,5
Captura de pantalla a continuación:
2.2 loss_heat_map—— 基于 Pérdida focal
En la regresión de mapas de calor, el "desequilibrio muestral" es un problema muy serio, por lo que diseñaremos la función de pérdida en base a FL;
2.2.1 Configuración de umbrales positivos y negativos: ¡muy importante! ! !
La configuración de umbrales positivos y negativos es muy importante. Un umbral de muestra positivo más alto tiene un buen efecto en la eliminación de fotogramas de detección duplicados;
El significado físico que contiene es hacer que el pico de energía de center_heat_map sea más concentrado, de modo que gaussian_nms () tenga un mejor efecto;
En el código de CenterNet, solo se selecciona una muestra positiva, que es el centro de la muestra, como se muestra en la figura:
3 Post proceso
3.1 Uso de NMS Soft-NMS
Debido al algoritmo Soft-NMS utilizado en el artículo de CenterNet;
4 notas
4.1 ¿Qué pasa si la entrada es inconsistente?
Puede utilizar la transformación afín para llenar la imagen de entrada hasta el tamaño de entrada máximo del modelo;
5 notas de depuración
5.1 El aumento del umbral de las muestras positivas y negativas de pérdida focal hará que el problema del desequilibrio sea grave
Cuando traté de resolver "múltiples casillas de detección de duplicados", ajusté el umbral de neg_loss_t () a 0.95, como resultado, el problema de desequilibrio se volvió serio.
La predicción de confianza tiene una puntuación de predicción de aproximadamente 0,4, como se muestra en la figura,
Si esto sucede, puede aumentar aún más el valor del coeficiente alfa de FL;
Y la pérdida parece reducirse
