细粒度目标检测问题剖析

本文主要是介绍细粒度目标检测问题剖析，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

问题剖析

相对于一般目标检测任务，细粒度目标更容易出现类内差异大、类间差异小等现象。

所谓细粒度目标识别，是指在目标检测的基础上，识别出目标的具体型号与类别，例如不只识别出飞机目标，还能识别出飞机型号。粗粒度是分辨猫还是狗，而细粒度是分辨狗的种类，比如这个狗是杜宾犬还是金毛。

基于深度学习的细粒度目标检测算法研究

LionRoarRoar/Awesome-Fine-grained-Visual-Classification: Awesome Fine-grained Visual Classification (github.com)

Awesome Fine-Grained Image Analysis – Papers, Codes and Datasets (weixiushen.com)

目标识别算法选择

对于细粒度物体识别，通常来说，R-CNN更适合。R-CNN是一种基于区域的卷积神经网络，它在检测和识别物体时能够更好地捕捉物体的细节和特征。相比之下，YOLO更适合于快速的实时物体检测，但在细粒度物体识别上可能不如R-CNN表现出色。

1、yolo

不生成预选框

2、R-CNN

先生成备选框，后分类，修正，识别

3、SSD

4、多模型融合

1. 将每个模型的预测结果进行融合，可以采用简单的投票机制、加权平均或者更复杂的集成学习方法来融合这些结果。
2. 调整融合权重：根据实际情况，可能需要对不同模型的预测结果进行加权融合，以提高整体预测性能。

数据集获取

训练集、验证集、测试集

堆数据

1、爬虫

1、多搜索引擎爬取

2、筛选去重

• 颜色特征提取
• 纹理特征提取
• SIFT特征对比

2、数据增强

目的：

执行数据增强，你可以阻止神经网络学习不相关的特征，从根本上提升整体性能。

方法：

有监督：

翻转，旋转，缩放，裁剪，移位；

可能的问题：旋转特定角度出现黑色区域 -> 插值

无监督:

1. 通过模型学习数据的分布，随机生成与训练数据集分布一致的图片，代表方法GAN。
2. 通过模型，学习出适合当前任务的数据增强方法，代表方法AutoAugment。

自动数据增强https://github.com/tensorflow/tpu/blob/master/models/official/detection/utils/autoaugment_utils.py

可能出现的问题：

过度拟合 -> 高斯噪声

样本不平衡问题

图片标注

标注工具：labellmg

影响分类识别的因素

可以归结为三个方面：

1. 第一种因素，就是比较常见的基于图像本身的一些因素，比如光照，形变，尺度，模糊等等。
2. 第二种因素，就是类内差异太大，比如椅子，桌子，虽然都叫椅子，桌子，可是形态各异。
3. 第三种因素，就是类间差异太小，最常见的就是细粒度分类。

缩小类内距离增大类间距离策略——摘自知乎（作者：新想）_多分类损失函数优化 类间距离大-CSDN博客

如何保持分类模型具有类内聚敛、类间分离的特性？ - 简书 (jianshu.com)

1. triplet loss
2. L-softmax
3. A-softmax
4. Am-softmax
5. centerloss
6. LDA

这篇关于细粒度目标检测问题剖析的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---