目标检测优化
【摘要】 参考:https://zhuanlan.zhihu.com/p/56792817
老师团队新出的论文Bag of Freebies for Training Object Detection Neural Networks 中,提到了一些在不牺牲模型性能的前提下提升目标检测模型的tricks。
这篇论文我读完之后觉得CNN训练分类任务的优化策略(tr...
参考:https://zhuanlan.zhihu.com/p/56792817
老师团队新出的论文Bag of Freebies for Training Object Detection Neural Networks 中,提到了一些在不牺牲模型性能的前提下提升目标检测模型的tricks。
这篇论文我读完之后觉得CNN训练分类任务的优化策略(tricks)这篇博文中解读的论文描述的分类任务中可以执行的优化策略有不少重叠的地方,包括学习率热身、Label smoothing、 Cosine learning rate decay等都是可以在目标检测中使用的tricks,实验证明这些在分类上的tricks在目标检测领域也非常有效。
两篇论文都提到的一些可以使用的技术: mix up , label smoothing, cosine learning rate, warm up。除此之外,这篇论文还提到了一些单独增对检测任务的tricks如数据增量策略,跨卡BN和random shapes traning等。
Mix up
Mix up最早是用于解决对抗扰动的方法。是数据增量(data augme
文章来源: blog.csdn.net,作者:网奇,版权归原作者所有,如需转载,请联系作者。
原文链接:blog.csdn.net/jacke121/article/details/106439743
【版权声明】本文为华为云社区用户转载文章,如果您发现本社区中有涉嫌抄袭的内容,欢迎发送邮件进行举报,并提供相关证据,一经查实,本社区将立刻删除涉嫌侵权内容,举报邮箱:
cloudbbs@huaweicloud.com
- 点赞
- 收藏
- 关注作者
评论(0)