tensorflow - 使用 tensorflow 对象检测减少误报的方法有哪些？

Question

我正在使用 mask rcnn 训练单个对象检测器，并且我尝试了几种减少误报的方法。我从几千个带有边界框的对象图像示例开始并对其进行训练，得到了不错的结果，但是当在不包含该对象的图像上运行时，通常会得到高置信度的错误匹配(有时为 0.99)。

我尝试的第一件事是在配置文件中添加困难示例矿工。我相信我这样做是正确的，因为我添加了一个打印语句来确保对象被创建。然而，faster rcnn 的配置都没有在其中进行硬示例挖掘。所以我怀疑矿工只能在 ssd 上正常工作。我希望通过一个困难的例子矿工有明显的改进，但我没有看到它

我尝试的第二件事是添加“背景”图像。我在 hard example miner 配置中将最小负数设置为非零值，并添加了大量背景图像，这些图像之前在训练中被误检测。我什至将这些图像添加到 tfrecords 文件中，以便它与确实具有对象的图像均匀平衡。这种方法实际上让事情变得更糟 - 并给了我更多的错误检测

我尝试的最后一件事是创建另一个类别，称为“对象背景”，并将所有错误匹配项分配给这个新类别。这种方法效果很好，但我认为它是一种 hack。

我想总结一下我的主要问题是 - 在当前的 tensorflow 对象检测框架内减少误报的最佳方法是什么？ SSD 会是更好的方法吗，因为它似乎在配置中默认内置了一个硬示例矿工？

谢谢

Answer 1

经过更多调查后，我实际上能够让具有更快 rcnn 的硬示例矿工工作。我有一个错误，我实际上并没有将背景图像插入到 tf 记录文件中。

我认为在训练单个对象检测器(具有一个模型的类别)时，如果您想获得良好的精度/召回率，添加背景图像是最重要的。如果您只有几千个对象示例，那么这些图像不足以让模型学习您在实际为您的应用程序使用该模型时将发送的所有各种背景噪声