江苏龙网

  1. 首页 > 人文 > >

实战解析：真实AI场景下，极小目标检测与精度提升( 二 )


实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
第三部分是端云一体服务部署 ， 支持公有云部署、私有化部署和设备端部署（EasyEdge） 。
EasyDL提供了灵活丰富的服务部署形态 ， 包含公有云部署、本地服务器部署、设备端SDK以及软硬一体产品 。

实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
以上是EasyDL在移动端/设备端的应用案例 ， 以深圳旅影为例 ， 用户训练一个场景识别的模型 ， 仅仅迭代两版就获得了97%以上的准确率 ， 效果非常不错 。
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
EasyDL目前支持的图像任务类型包括图像分类、物体检测、图像分割 。 在企业应用中 ， 图像分类和物体检测占比较高 ， 因此百度在这两方面投入了很多的人力来进行优化 。
物体检测任务综述
物体检测定义
物体检测是指 ， 给定一张图片 ， 识别出图片中的物体属于哪个类别 ， 并对相应的物体进行位置的定位 。
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
物体检测技术已经发展了很久 ， 从13年至今 ， 主要有两个方面的发展 ， 一是两阶段检测器 ， 二是单阶段检测器 。 总体来说技术朝着越来越自动化、越来越高效的方向发展 ， 来满足商业化的需求 。
检测器的通用框架
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
第一个部分是Feature Extraction特征提取模块 ， 图像通过这个网络可以提取出相应的特征 。
第二个部分是bonding box Matching ， Labeling and Sampling模块 ， 输入一系列的物体标注框 ， 会有一系列的anchor（锚框） ， 比如上图最右边的红色和绿色框就是我们预先定义好的anchor ， 模型就会用这些anchor作为一个基准 ， 再去学习物体的定位 。 有了这些anchor之后 ， 我们要和这些机器光进行匹配 ， 去挑选出与物体比较吻合的框 ， 称为正样本 ， 就是绿色的框 ， 不符合的框是负样本 。
从上图中可以看出 ， 这里的负样本的数量非常多 ， 无法直接拿来学习 。 所以接下来要增加一个采样的模块 ， 挑选出适合模型训练的正负样本 ， 再输入到下一个模块—Detection检测器 ， 并进行分类网络和回归网络的学习 。
极小目标检测场景难点分析及效果优化
以COCO数据集中的物体定义为例 ， 小物体是指小于32×32个像素点 。 在实际场景中 ， 我们更倾向于使用相对于原图的比例来定义 。
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
因此 ， 我们给出相对的定义 ， 物体标注框的长宽乘积 ， 除以整个图像的长宽乘积 ， 再开根号 ， 如果结果小于3% ， 就称之为小物体 。
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
常见的极小目标检测场景如图示 。 这些检测场景有什么难点呢？总结来说：
难点1：检测框的高宽比多变 ， 甚至出现极端的高宽比 ， 漏检率比较高；
难点2：背景杂乱 ， 误检率比较高；
难点3：数据源稀缺 ， 没有丰富的数据训练；
难点4：图片非常大 ， 检测框非常小 ， 所以漏检率高 。
优化案例1：以货架挡板检测场景为例
实战解析：真实AI场景下，极小目标检测与精度提升
本文插图
如图中绿框所示 ， 货架挡板检测的难点在于货架挡板的高宽比非常极端 ， 我们先选一些基础的模型来训练 。


推荐阅读


上一篇：低于预期|茅台三季报业绩低于预期“压垮”股价

下一篇：同比|北化股份：2020年前三季度净利润约6952万元，同比下降35.73%