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( 三 )


比如我们取SSD、YOLO、Faster RCNN等 ， 就发现Faster RCNN达到了最好的效果—0.812 。 怎么进一步优化呢？
针对上述难点1 ， 业界有Anchor自适应算法可以解决这类问题：
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
△Anchor自适应算法概览
我们重点介绍差分进化算法、超参优化算法这两种具有通用性的技术 。
1、差分进化算法
其特点是简单、高效、可拓展 。 搜索超参是anchor的高宽比和尺度 ， 优化目标是所有检测框与匹配的anchor的iou总和最大 。
算法上 ， 第一步是初始化种群 。 第二步是开始迭代的差分进化 ， 保留优秀个体 ， 淘汰劣质个体 。 包含变异-交叉-选择3个操作：
变异：从种群中随机挑选两个个体 ， 用一定的规则去产生一个变异个体；
交叉：变异个体与事先指定的某个目标个体进行参数混合 ， 生成实验个体；
选择：将实验个体的优化指标与目标个体进行对比 ， 保留优化指标较好的个体；
以上3个操作迭代循环 ， 实现优胜劣汰的能力 。
这个方案的优点就是速度快 ， 无需训练模型 ， 并且可以广泛的适用于各种检测模型 ， 这种算法已经在EasyDL经典版上集成优化了 。
2、超参优化算法
其特点是优化目标和训练模型是一致的 。 优化目标是训练中的模型指标（AP）最优 ， 可以运用贝叶斯优化、进化算法等超参优化算法 。
优点是以模型评估指标作为优化的目标 ， 效果更佳 ， 并可广泛适用于各种检测模型 。
其缺点是比较耗费计算资源 。 但是相关算法能力已经在EasyDL专业版集成 ， 用户可以通过EasyDL专业版创建项目 ， 实现自动超参搜索 。
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
货架挡板检测优化—anchor优化
我们将anchor自适应的方法应用在本案例上 。 相对于默认ratios来说 ， 自适应算法收出了5个比例 ， 也就是说5个比例比较适合于这个模型 。

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
我们用anchor自适应的算法进行优化 ， 效果从0.812提升到0.87 。
那么如何进一步优化？我们之前提到了难点2（背景杂乱）和难点3（数据稀缺） ， 现在继续采用自动数据增强的方案 ， 去优化数据本身 。
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
△自动数据增强算法概览
以PBA为例 ， 其特点是灵活、可拓展 。
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 ， 起两个进程分别训练模型 ， 训练模型的主要参数一是超参 ， 另外一个是权重（模型本身的参数） 。
通过第一步训练 ， 第二步需在某一个时间点 ， 比较两个进程的效果 ， 效果更优的进程就会取代效果差的进程的权重 。 第三步 ， 直接复制权重 。 第四步 ， 扰动原来的超参 ， 产生一组新的超参 ， 并继续训练 。
迭代循环这个训练流程 ， 就可以产生一个增强算子的调度组合 ， 并且是比较适合于这个数据集本身的 。
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也上线了自动数据增强搜索的能力 ， 基于百度自研的分布式智能搜索的能力 ， 目前支持PBA算法 。 算子方面 ， 支持图像分类和物体检测两种 ， 开放了超过40种的算子 。
利于优化成一个工业级的搜索算法 ， 搜索的效率更高 。 在EasyDL线上的多场景模型精度上 ， 平均提升了7%以上 。


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%