訂閱
糾錯
加入自媒體
當(dāng)前位置： OFweek 人工智能網(wǎng)   >   操作系統(tǒng)   >  正文

CVPR2020|深蘭科技挑戰(zhàn)復(fù)雜場景，獲霧天條件目標(biāo)檢測挑戰(zhàn)賽冠軍

2．FFA－Net

期初根據(jù)賽題的描述和對數(shù)據(jù)的分析，我們團隊首先對圖片進行去霧處理，然后再進行檢測。因為現(xiàn)在有許多比較成熟的去霧算法，這些算法也不會更改物體的位置，所以標(biāo)注完全不用更改。抱著這個想法我們開始進行對比實驗，來驗證去霧算法的有效性。

首先使用了何愷明比較經(jīng)典的暗通道先驗去霧算法，但根據(jù)前兩輪的得分，以及可視化結(jié)果我們放棄了這個方法。

之后我們又在Faster－rcnn相對較小的模型上測試了基于深度學(xué)習(xí)的去霧算法，GCANet、FFANet，用相應(yīng)去霧算法的輸出當(dāng)做Faster－rcnn的輸入。

▲FFA－Net處理訓(xùn)練集結(jié)果

對比結(jié)果如下表所示：

根據(jù)結(jié)果來看GCANet所處理的結(jié)果得分較差，但FFANet和原數(shù)據(jù)集得分比較類似，雖然沒得到相應(yīng)的提升，但卻是一個很好的數(shù)據(jù)增強方法，因為類似這種圖像模糊的數(shù)據(jù)集上，像素級別的數(shù)據(jù)增強在此數(shù)據(jù)集上很容易導(dǎo)致圖片原始結(jié)構(gòu)的破壞，從而導(dǎo)致AP效果下降。

現(xiàn)在我們得到一個切實可行的數(shù)據(jù)增強方式，所以將FFA－Net的處理結(jié)果與原始圖像合并作為新的訓(xùn)練集進行訓(xùn)練。

3．Augmentation

因為圖片總體數(shù)量較少，并且有較嚴(yán)重的數(shù)據(jù)不平衡情況，所以合理的數(shù)據(jù)增強方式會比增加模型復(fù)雜度之類的方法更為直接有效。

實驗細節(jié)：

1．我們將Cascadercnn＋DCN＋FPN作為我們的baseline

2．將原有head改為Doublehead

3．將FFA－Net處理過的數(shù)據(jù)集與原數(shù)據(jù)集合并訓(xùn)練

4．Augmentation

5．Testingtricks

<上一頁  1  2  3  4  下一頁>  余下全文
聲明： 本文由入駐維科號的作者撰寫，觀點僅代表作者本人，不代表OFweek立場。如有侵權(quán)或其他問題，請聯(lián)系舉報。

發(fā)表評論

共0條評論，0人參與

請輸入評論內(nèi)容...

請輸入評論/評論長度6~500個字

您提交的評論過于頻繁，請輸入驗證碼繼續(xù)

暫無評論

暫無評論

    掃碼關(guān)注公眾號
    OFweek人工智能網(wǎng)
    獲取更多精彩內(nèi)容
    文章糾錯
    x
    *文字標(biāo)題：
    *糾錯內(nèi)容：
    聯(lián)系郵箱：
    *驗 證 碼：

    粵公網(wǎng)安備 44030502002758號