ICIP 2019 積水容器檢測第一名比賽心得

點擊上方「CVer」，選擇加"星標"或「置頂」

重磅乾貨，第一時間送達

作者：許出山

https://zhuanlan.zhihu.com/p/73823115

本文已由作者授權，未經允許，不得二次轉載

最近參加了ICIP上的一個比賽拿了個第一名，然後把相關的心得寫了個論文，投了一下稿，然後reject了，哈哈哈哈。那就在這裡把比賽心得分享一下，確實沒有太多的新意。

比賽連結：https://aidea-web.tw/icip

這個比賽全名叫做Mosquito Breeding Site Hunting for Dengue Fever Control。首先這個比賽就是一個檢測的比賽，然後它最後只要求在小物體上做評估，小物體的標準遵守COCO，是小於1024pixels的物體。代碼這邊我用了mmdetection。它所謂的積水容器就是瓶瓶罐罐，輪胎，塑膠袋什麼的。

一開始是想只訓練小物體的，發現不行，然後就試著拿所以數據跑了一個帶fpn的基於resnet101的faster rcnn，後來發現效果不如resnet50好。於是就是50做基礎模型了，這部分的原因我沒有做細究。

然後就是一些小技巧（tricks）：

凍結batch normalization

把選box的threshold調小，本來默認設定是大於0.05的，我改成了0.01，其實我試過更小的，都會有提升，但是提交的結果數量會大大上升，而且我看不到val的gt，所以我不知道這樣調整對precision和recall的影響。

多尺度測試。這部分我發現如果我用多尺度訓練，再加多尺度測試的效果不如單獨多尺度測試。雖然單獨多尺度訓練會有mAP的提升。

反轉圖片，我發現把原圖和反轉的圖片的結果合併在一起，然後NMS，很多時候在val上會掉點。不過感覺這樣結果更穩健，所以還是用了。

用了上面除掉反轉以外的技巧後，mAP就到了0.3407。

逐個加trick的效果

這個0.3407就比第二名高了，不過最後的結果還更高一點，一方面我集合（ensemble）了另外的model，另一方面我用了類似SNIP的技巧。

我後來發現雖然說單獨訓練小物體效果不好，但是這樣做會有提升。首先你用所有數據訓練，然後把RCNN的部分凍結，把RPN的anchor size改小，然後在小物體上微調（fine-tuning）RPN，這樣會有提升，不過最後沒有用這個。

我參考了SNIP的做法，用了多尺度訓練，然後訓練的時候，如果這個box大於一定大小我們才用來做訓練。這個大小得按照數據集的分布，原圖大小，多尺度訓練的選擇還有評測的尺度的選擇來綜合決定。這邊我叫他box selection。這邊就不細寫了，一句話表達就是，你要讓你在訓練時被用來訓練的box大小，在最後測試時在原圖上是能落入1024pixels的。比如說你原圖100x100，但是你訓練放大到了1000x1000，那麼這時小於10240pixels的box都是小box。

Box Selection

這邊還是用了flip testing。可以看到faster rcnn用了這個方法後，就算flip，也有0.3503，比剛才最好的0.3407還好。然後我就直接在Cascaded R-CNN和Libra R-CNN上試了，沒有做對比試驗。其實和FPN沒有太大區別。最後Ensemble了一下，這邊ensemble就是合併結果然後做NMS，結果到了0.3779。這個是publicboard的結果，相當於是val。最後在private board上的結果，我是0.374227，第二名是0.321927。

我一開始以為我就是提交一個比賽的心得這樣，就寫了個文提交了，說是published under ICIPC（challenge），我以為就像workshop一樣蠻容易的，我也就是抱著分享方法的心態，沒想到審稿時感覺當做是ICIP。比賽結束之後我也沒辦法再添加實驗，本來也沒辦法看具體的precision和recall。加上我寫論文水平一般，就被reject了。所以直接在這邊分享一下了。

重磅！CVer-目標檢測交流群成立啦

掃碼添加CVer助手，可申請加入CVer-目標檢測學術交流群。一定要備註：研究方向+地點+學校/公司+暱稱（如目標檢測+上海+上交+卡卡）

▲長按加群

▲長按關注我們

麻煩給我一個在看！