如何提高更快的 rcnn 对象检测模型的召回率答案

【问题标题】：How to improve recall of faster rcnn object detection model如何提高更快的 rcnn 对象检测模型的召回率
【发布时间】：2018-10-01 10:33:07
【问题描述】：

我正在重新训练一个更快的 rcnn inception coco 模型来检测货架上的产品品牌。

当总损失在一段时间内降至 0.1 以下时，我将模型停止了大约 400k 步。召回率约为 65%，准确率约为 40%，置信度截止阈值为 95%。

学习率从 0.00001 开始，配置为在 200k 步后降低到 0.000005。

数据集大小为 15 个类，每个类至少有 100 个带注释的框。图片总数为 300。

如何提高模型的召回率？

我应该改用更快的 rcnn ras（它具有更高的 mAP，但我认为在我的用例中精度不如召回那么重要）？

另一个问题是：通常物体检测模型的召回率是多少？达到 90% 以上是不是很有挑战性？

非常感谢！

【问题讨论】：

【解决方案1】：

您可以尝试使用图像增强来扩展您的训练数据集。 300张图片不多。试试看https://github.com/aleju/imgaug。

【讨论】：

【解决方案2】：

当您询问 Faster RCNN 模型时，您可以跟踪两个不同的指标。

以上两个指标可以让我们更好地了解模型的表现。

案例 1：当 RPN 输出的 RPN 召回率高低时，很明显，您没有足够的正标签供分类网络学习。

案例 2：当 RCNN 输出的 RPN 召回率低和高时，您可能没有足够的训练数据量和较少的类数。

案例 3：当两个召回率都较低时，请尝试更大的数据集，因为您的模型已经收敛。

-- 试验学习率总是有帮助的。

-- 简单技巧：您可以使用多个纵横比（接近原始纵横比），以便获得更多标签进行训练（不确定它对您的情况有多大帮助）。

【讨论】：