训练独立的目标检测模型

Question

我正在进行一个研究项目，在给定此类材料的输入图像的情况下检测和分割材料中的两种不同缺陷。

我首先关注一个缺陷，因为它在训练集中占主导地位。我实现了MaskRCNN (Matterport) 模型并适用于PNG 注释掩码。经过一段时间的微调后，它的效果非常好。

这对你们大多数人来说可能很天真/容易，但我的问题是：

• 如果计算时间/功率不受限制，为每一类对象训练独立模型（两个模型，每个模型用于每个缺陷）是否更可取/有利？我会将图像并行提供给两个模型，一个会返回缺陷 1 的实例，另一个会返回缺陷 2 的实例。

这个问题的原因是我觉得如果你训练一个模型进行多类检测，当你试图最小化损失时，由于你正在优化整体损失，你正在优化工作权重这两个类都很好，但您没有分别优化每个类的权重和损失，您可能会损失一些检测/分割精度。

一种常见的方法是尝试两种选择：1. 两个类的单一模型和 2. 两个类的两个独立模型。

我最终将实现这两​​种替代方案并进行比较。但是，我想知道第二种选择是否已经过测试，以及如果这篇研究中有一篇论文，为了正确证明这种选择的合理性，有什么经验。

Answer 1

在大多数情况下，如果您为每个类训练一个单独的模型，当您有许多类并且计算资源不是问题时，它会提高性能。但正如我猜想的那样，你只有两个类，所以通过训练两个不同的模型，你不会看到准确性有太大的提高。您可以尝试这两种方法，但是当有很多类要检测时，您会受益匪浅。