CNN 对象检测：如何降低高误报率答案

【问题标题】：CNN Object detection: How to reduce high false positive ratesCNN 对象检测：如何降低高误报率
【发布时间】：2019-03-16 16:41:44
【问题描述】：

我目前在 WIDER-FACE 数据上的 Tensorflow 对象检测 API 上使用 Faster RCNN 和 inception v2，我有很多高分的误报（>0.98，因此设置更高的分数阈值无济于事）。我已经在我的代码中分配了 Hard Example Mining，但这并没有太大帮助。对于图像预处理，我使用 tf.image.sample_distorted_bounding_box 从原始图像中随机裁剪一个区域并将其调整为 300*300。调整大小的图像会以 0.5 的概率随机翻转

我将批量大小设置为 32，对于每个图像，在硬负挖掘操作中 positive:negative 的比率为 32:32。我将 IoU > 0.5 设置为正，IoU 设置为负。对于 IoU 在 0.5 到 0.3 之间的样本被忽略

谁能帮我解决这个问题？非常感谢！

【问题讨论】：

标签： tensorflow face-detection object-detection-api

【解决方案1】：

通常正例和反例的比例设置为 1:3。可能是因为在您的模型中，比率设置为 1:1，因此模型没有看到足够的反例。

您还可以尝试进行错误分析并检查具有高置信度的误报。也许它们属于特定类型，如果是，请在您的训练数据中添加这种类型的负面示例。

【讨论】：

【解决方案2】：

您也可以尝试提高 RPN 的 NMS 阈值。

【讨论】：