CVPR2020|深蘭科技挑戰(zhàn)復雜場景，獲霧天條件目標檢測挑戰(zhàn)賽冠軍
2．FFA－Net
期初根據(jù)賽題的描述和對數(shù)據(jù)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(xiàn)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(jù)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(jù)結果來看GCANet所處理的結果得分較差，但FFANet和原數(shù)據(jù)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(shù)據(jù)增強方法，因為類似這種圖像模糊的數(shù)據(jù)集上，像素級別的數(shù)據(jù)增強在此數(shù)據(jù)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(xiàn)在我們得到一個切實可行的數(shù)據(jù)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(shù)量較少，并且有較嚴重的數(shù)據(jù)不平衡情況，所以合理的數(shù)據(jù)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(jié)：
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(shù)據(jù)集與原數(shù)據(jù)集合并訓練
4．Augmentation
5．Testingtricks
分享
請輸入評論內容...
請輸入評論/評論長度6~500個字
