03賽題特點＆主要工作

在這次挑戰(zhàn)賽中，主要的難點包含以下幾個方面：

1．可視條件差、圖像模糊

可視條件差是這個賽道核心問題，霧天收集的數(shù)據(jù)特點就是能見度低，圖像模糊，遠處的物體不容易被檢測與識別，容易造成大量的目標漏檢、誤檢，從而導致mAP效果下降。

2．圖片數(shù)量少，數(shù)據(jù)分布不平衡

總共只有4000多張帶標注的圖片，增加了訓練難度，再加上數(shù)據(jù)分布的不均衡，很難劃分一個具有代表性的驗證集，很可能導致模型不具有泛化能力，在新的測試集上表現(xiàn)會不如預期。

檢測器

我們先通過常規(guī)檢測所累積的經(jīng)驗構(gòu)造出一個baseline：

Baseline＝Backbone＋DCN［1］＋FPN［2］＋CascadeRCNN［3］

這套pipeline，也是去年冠軍團隊所使用的方法，在這里我們沿用這套算法，以此為基礎(chǔ)進行改進。

通過觀察實驗結(jié)果發(fā)現(xiàn)，模型誤檢情況遠多于漏檢，經(jīng)常出現(xiàn)一個目標有多個檢測結(jié)果，并且這些檢測結(jié)果之間無法使用nms去除。歸納為兩方面原因。

1．模型自身能力不足，回歸分類能力差，導致大量誤檢；

2．負樣本不足，由于樣本個數(shù)限制，模型會在一些模棱兩可的地方檢測出置信度較高的結(jié)果，無法通過閾值去處理這些誤檢結(jié)果。

根據(jù)目前結(jié)果做了一下幾個方面的改進：

1．DoubleHeads［6］

當需要提升模型能力時，有2個比較簡單高效的方法，一是使用更強的backbone，二是提高RCNN中分類檢測head的能力，通過實驗比對，我們最終使用了doublehead的結(jié)構(gòu)（如下圖所示）。

▲DoubleHeads

Doublehead采用分而治之的思想，將原始head解耦為2個獨立的分支，針對不同的需求設計head結(jié)構(gòu)，通過對比實驗可發(fā)現(xiàn)：使用FC－h(huán)ead做分類，Conv－h(huán)ead做回歸，可以得到最好的效果。

因為分類更多地需要語義信息，所以使用全連接層。而坐標框回歸需要更多的空間信息，因此使用卷積層。當然這種方法會增加計算量。在平衡速度和準確率的情況下，最終我們選擇了3個殘差2個Non－local共5個模塊。