廣告
算力限制場景下的目標檢測實戰(zhàn)淺談
2019-01-21 23:39:47·
為什么要先做這件事呢，除了作為參考系方便進行比較之外，最大的目的是可以最大限度的保證方法本身、你用的框架等等沒有問題，如果這時不搞清楚，未來長期在坑里待著，顯然完成不了任務了。同時這樣會很容易幫你發(fā)現(xiàn)論文中的細節(jié)部分，論文搞得多的同學都知道，論文不可以沒有創(chuàng)新性，所以很有可能一篇論文中號稱的自己最核心的算法點在實測中不是對性能提升最優(yōu)的點，相反，可能論文中會有些很實用但是看起來不是很有創(chuàng)新性的東西，而你不真的去跑一下，是不知道的。
另外，如果一篇論文已經(jīng)是一兩年前的，這一兩年之中有些其他論文會提出一些有趣的小trick 和小參數(shù)或者小調整，這些東西有的時候也可以在復現(xiàn)經(jīng)典論文和方法的時候一起揉進去，例如何凱明提出的fan-in，fan-out參數(shù)初始化方法，就可以應用到其前面就發(fā)表的論文或者項目中去。
總之，這是一個磨刀不誤砍柴工的工作，也是一個積累基礎經(jīng)驗的過程。
由于不少論文是分類網(wǎng)的論文，或者是不同檢測頭做的檢測模型，比如faster-rcnn 兩階段方法，我們需要換成自己使用的檢測頭，比如Yolo。這時我就需要再做一個baseline，并獲得自有訓練數(shù)據(jù)集下的檢測結果。
首先，我會先固定骨干網(wǎng)參數(shù)，直接檢測部分的參數(shù)進行調優(yōu)。例如Yolo 和SSD 中如圖所示的這些參數(shù)，簡單說原則還是迭代嘗試，每次只調整其中一個。
這里多說一嘴，不管是yolo 還是ssd ，他們的anchor 或者priority box 機制，其數(shù)量也是符合邊際效用遞減曲線的，如yolo v2 論文中的這幅圖。大家看，這曲線無處不在是吧。所以當其數(shù)量適當增加的時候對精度提升是很有用的，但是在算力有限場景下也不能加太多，因為總的proposal 會太多，nms 也會變的很多。
另外，這里anchor聚類出來的具體長寬，只要大體符合數(shù)據(jù)分布，就可以了，不用很精確，每次增加了同分布數(shù)據(jù)的時候也不用重復做聚類，因為回歸器會自動完成回歸過程的，不要離的太遠就好。這里不展開了。
調整完檢測參數(shù)之后，還要再集中調整一次數(shù)據(jù)增量參數(shù)。數(shù)據(jù)增量也是非常重要的，其實同理，數(shù)據(jù)增量也是符合邊際效用遞減曲線的，做太多了也就沒啥用了，該增加數(shù)據(jù)還是增加數(shù)據(jù)吧。
這里里其實是可以提出這樣一個問題的，就是這部分參數(shù)為什么在這個階段做？為什么不在先裁剪出來一個10M 的骨干網(wǎng)再加檢測頭。這里我個人更加傾向于在后續(xù)調優(yōu)過程中的測試過程更加end2end，因為你的目的就是目標檢測嘛。同時，需要注意的是這時的參數(shù)并不是最優(yōu)參數(shù)，只是一個起始baseline，未來骨干網(wǎng)確定之后還會再來迭代。
廣告 編輯推薦
最新資訊
-
開年豪擲1.8億搶用戶，又一車企加入“價格
2026-03-04 16:05
-
聯(lián)合國法規(guī)R60對兩輪車操縱件與指示裝置的
2026-03-04 12:08
-
標準立項|《汽車異種材料鉚接接頭拉伸性能
2026-03-04 11:40
-
“汽車大角度座椅 第1部分：通用要求”將有
2026-03-04 11:39
-
“汽車大角度座椅 第2部分：可靠性要求”將
2026-03-04 11:39
