CVPR2020|深兰科技挑战复杂场景，获雾天条件目标检测挑战赛冠军
03赛题特点＆主要工作
在这次挑战赛中，主要的难点包含以下几个方面：
1．可视条件差、图像模糊
可视条件差是这个赛道核心问题，雾天收集的数据特点就是能见度低，图像模糊，远处的物体不容易被检测与识别，容易造成大量的目标漏检、误检，从而导致mAP效果下降。
2．图片数量少，数据分布不平衡
总共只有4000多张带标注的图片，增加了训练难度，再加上数据分布的不均衡，很难划分一个具有代表性的验证集，很可能导致模型不具有泛化能力，在新的测试集上表现会不如预期。
检测器
我们先通过常规检测所累积的经验构造出一个baseline：
Baseline＝Backbone＋DCN［1］＋FPN［2］＋CascadeRCNN［3］
这套pipeline，也是去年冠军团队所使用的方法，在这里我们沿用这套算法，以此为基础进行改进。
通过观察实验结果发现，模型误检情况远多于漏检，经常出现一个目标有多个检测结果，并且这些检测结果之间无法使用nms去除。归纳为两方面原因。
1．模型自身能力不足，回归分类能力差，导致大量误检；
2．负样本不足，由于样本个数限制，模型会在一些模棱两可的地方检测出置信度较高的结果，无法通过阈值去处理这些误检结果。
根据目前结果做了一下几个方面的改进：
1．DoubleHeads［6］
当需要提升模型能力时，有2个比较简单高效的方法，一是使用更强的backbone，二是提高RCNN中分类检测head的能力，通过实验比对，我们最终使用了doublehead的结构（如下图所示）。
▲DoubleHeads
Doublehead采用分而治之的思想，将原始head解耦为2个独立的分支，针对不同的需求设计head结构，通过对比实验可发现：使用FC－head做分类，Conv－head做回归，可以得到最好的效果。
因为分类更多地需要语义信息，所以使用全连接层。而坐标框回归需要更多的空间信息，因此使用卷积层。当然这种方法会增加计算量。在平衡速度和准确率的情况下，最终我们选择了3个残差2个Non－local共5个模块。
分享
最新活动更多
-
4月30日免费下载 >> SPM31智能功率模块助力降低供暖和制冷能耗，打造可持续未来！
-
4月30日限时免费下载>> 高动态范围（eHDR）成像设计指南
-
5月10日立即下载>> 【是德科技】精选《汽车 SerDes 发射机测试》白皮书
-
5月28日立即观看>> 【在线研讨会】Ansys镜头点胶可靠性技术及方案
-
5月31日立即报名>> 【线下论坛】新唐科技2024未来创新峰会
-
6月18日立即报名>> 【线下会议】OFweek 2024（第九届）物联网产业大会
推荐专题
发表评论
请输入评论内容...
请输入评论/评论长度6~500个字
暂无评论
暂无评论