使用 SSD 进行对象检测，哪种方式可以提供更高的准确率和召回率

Question

我有一个与 SSD 基础相关的问题，而不是任何具体的实现：

如果我的目标是检测所有“前景”对象并将它们装箱，而不是太在意是“狗”还是“猫”等。那么哪种方式将为我提供更好的整体准确率和召回率： 假设前景中有 10 种不同类别的对象：

1. to train SSD with 10 different classes; or
2. to train SSD with 1 class as foreground and label all 10 different categories objects as "foreground"

非常感谢您的帮助。

Answer 1

经过几个月的研究和实验，对于 SSD，我会说选项 #1“训练具有 10 个不同类别的 SSD”将达到更高的准确率，并且如果“不关心”错过分类并将它们全部计入，则可以召回只要是前景物体。原因是：SSD除了特征图外，还依赖bbox的形状和大小进行分类。因此，我们训练的类越多，它的“检测器”就越多，这意味着 SSD 对这个特定问题的识别能力更强。