一、问题描述

在目标检测的模型评估阶段，目标检测的假阳性（误检分析）以及假阴性（漏检分析）是比较重要的一环，在假阳性分析方面，类别误差主要表现在类别误检率，在假阴性分析方面，类别误差主要表现在类别漏检概率，ModelArts中对应的模型评估结果展示为：

上图展示的是对检测的推理结果进行的分析举例，其中图a表示的是假阳性（误检方面）的位置偏差，类别误检以及背景误检的分析，图b表示的是假阴性（漏检方面）的位置偏差，类别漏检以及背景漏检的分析，可以看出在误检以及漏检分析方面，类别误差占比比较大，那么有什么办法可以降低类别误差的概率，提升模型推理的准确度呢，下面对相关的算法和技术进行说明。

二、解决方法

MultiScale是目标检测中常用的一种数据处理方式，用户可以在自己的模型中自行定义multi scale的储存大小，一般在模型训练的时候，建议用户每隔固定训练步数做一次scale，来保证单个epoch训练中的image multi scale输入。具体MultiScale的训练过程如下所示：

三、实验验证

在摄像头类型识别的数据集上面进行验证，该数据集总共有14类别，分别代表14种不同的摄像头，使用MultiScale之前和之后在误检分析（假阳性）的对比情况，可以看出，使用MultiScale之后，类别误检得到比较大的改善。

下面是使用MultiScale之前和之后在漏检分析（假阴性）的对比情况，可以看出，使用multiscale之后，类别漏检得到比较大的改善。

四、用户建议

在模型推理结果中，如果类别误差占比比较大，推荐在训练的时候，使用multiscale进行模型的训练优化。