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
2.FFA-Net
期初根据赛题的描述和对数据的分析,我们团队首先对图片进行去雾处理,然后再进行检测。因为现在有许多比较成熟的去雾算法,这些算法也不会更改物体的位置,所以标注完全不用更改。抱着这个想法我们开始进行对比实验,来验证去雾算法的有效性。
首先使用了何恺明比较经典的暗通道先验去雾算法,但根据前两轮的得分,以及可视化结果我们放弃了这个方法。
之后我们又在Faster-rcnn相对较小的模型上测试了基于深度学习的去雾算法,GCANet、FFANet,用相应去雾算法的输出当做Faster-rcnn的输入。
▲FFA-Net处理训练集结果
对比结果如下表所示:
根据结果来看GCANet所处理的结果得分较差,但FFANet和原数据集得分比较类似,虽然没得到相应的提升,但却是一个很好的数据增强方法,因为类似这种图像模糊的数据集上,像素级别的数据增强在此数据集上很容易导致图片原始结构的破坏,从而导致AP效果下降。
现在我们得到一个切实可行的数据增强方式,所以将FFA-Net的处理结果与原始图像合并作为新的训练集进行训练。
3.Augmentation
因为图片总体数量较少,并且有较严重的数据不平衡情况,所以合理的数据增强方式会比增加模型复杂度之类的方法更为直接有效。
实验细节:
1.我们将Cascadercnn+DCN+FPN作为我们的baseline
2.将原有head改为Doublehead
3.将FFA-Net处理过的数据集与原数据集合并训练
4.Augmentation
5.Testingtricks
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