gluon-cv 目标检测优化

  

   

    

     

    
    

     

      from gluoncv import model_zoo, data, utils
     
    
   

    

     

    
    

     

      from gluoncv.data.transforms.pose import detector_to_alpha_pose, heatmap_to_coord_alpha_pose
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      detector = model_zoo.get_model('yolo3_mobilenet1.0_coco', pretrained=True)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      pose_net = model_zoo.get_model('alpha_pose_resnet101_v1b_coco', pretrained=True)
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      # Note that we can reset the classes of the detector to only include
     
    
   

    

     

    
    

     

      # human, so that the NMS process is faster.
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      detector.reset_class(["person"], reuse_weights=['person'])
     
    
   

    

     

    
    

     
 
     
    
   

    

     

    
    

     

      net = model_zoo.get_model('yolo3_darknet53_voc', pretrained=True)
     
    
   

    

     

    
    

     

      net = model_zoo.get_model('yolo3_mobilenet1.0_coco', pretrained=True)
     
    
  
 

本文的研究者致力于探索能够在不造成额外计算成本的情况下有效提升流行的目标检测网络性能的方法。他们首先在目标检测上探索了一种混合技术。与《mixup: Beyond Empirical Risk Minimization》不同，本文的研究者认识到了多目标检测任务的特殊性质有利于实现空间不变的变换，因此提出了一种用于目标检测任务的视觉相干（visually coherent）图像混合方法。接下来，他们探讨了详细的训练流程，包括学习率调度、权重衰减和同步 BatchNorm。最后，他们探索了其训练微调的有效性，方法是逐渐将这些微调叠加，以训练单或多阶段目标检测网络。

本文的主要贡献如下：

• 首次系统地评估了不同目标检测流程中应用的多种训练启发式方法，为未来的研究提供了有价值的实践指导。

• 提出了一种为训练目标检测网络而设计的视觉相干图像混合方法，而且证明该方法可以有效提升模型的泛化能力。

• 在不修改网络架构和损失函数的情况下，在现有模型的基础上实现了 5% 的绝对精度性能提升。而且这些提升都是「免费的午餐」，无需额外的推理成本。

• 扩展了目标检测数据增强领域的研究深度，显著增强了模型的泛化能力，减少了过拟合问题。这些实验还揭示了可以在不同网络架构中一致提高目标检测性能的良好技术。

所有相关代码都是开源的，模型的预训练权重可以在 GluonCV Toolkit 中获取。

Gluon CV Toolkit 链接：https://github.com/dmlc/gluon-cv

论文链接：https://arxiv.org/pdf/1902.04103.pdf

摘要：与针对更好的图像分类模型所取得的巨大研究成就相比，训练目标检测器的努力在普及性和普遍性方面都存在不足。由于网络结构和优化目标要复杂得多，针对特定检测算法专门设计了不同的训练策略和流程。在本文中，我们探索了通用的微调，这些微调有助于在不牺牲推理速度的前提下将当前最佳的目标检测模型提高到一个新水平。我们的实验表明，这些「freebies」可以提高 5% 的绝对精度。

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/118643353