CVPR2020|深蘭科技挑戰復雜場景，獲霧天條件目標檢測挑戰賽冠軍
2020-07-02 15:08
深蘭科技
關注
2．FFA－Net
期初根據賽題的描述和對數據的分析，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典的暗通道先驗去霧算法，但根據前兩輪的得分，以及可視化結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習的去霧算法，GCANet、FFANet，用相應去霧算法的輸出當做Faster－rcnn的輸入。
▲FFA－Net處理訓練集結果
對比結果如下表所示：
根據結果來看GCANet所處理的結果得分較差，但FFANet和原數據集得分比較類似，雖然沒得到相應的提升，但卻是一個很好的數據增強方法，因為類似這種圖像模糊的數據集上，像素級別的數據增強在此數據集上很容易導致圖片原始結構的破壞，從而導致AP效果下降。
現在我們得到一個切實可行的數據增強方式，所以將FFA－Net的處理結果與原始圖像合并作為新的訓練集進行訓練。
3．Augmentation
因為圖片總體數量較少，并且有較嚴重的數據不平衡情況，所以合理的數據增強方式會比增加模型復雜度之類的方法更為直接有效。
實驗細節：
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處理過的數據集與原數據集合并訓練
4．Augmentation
5．Testingtricks
分享
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。如有侵權或其他問題，請聯系舉報。
請輸入評論內容...
請輸入評論/評論長度6~500個字
