Tensorflow对象检测：为什么使用ssd mobilnet v1时图像中的位置会影响检测精度？答案

【问题标题】：Tensorflow object detection: why is the location in image affecting detection accuracy when using ssd mobilnet v1?Tensorflow对象检测：为什么使用ssd mobilnet v1时图像中的位置会影响检测精度？
【发布时间】：2018-10-07 06:55:05
【问题描述】：

我正在训练一个模型来检测夜空图片中的流星，我有一个相当小的数据集，其中包含大约 85 张图像，每张图像都带有一个边界框注释。我正在使用从 ssd_mobilenet_v1_coco_11_06_2017 检查点和 Tensorflow 1.4 开始的迁移学习技术。我在训练期间将图像大小调整为 600x600 像素。我在管道配置中使用数据增强来随机水平、垂直翻转图像并旋转 90 度。在 5000 步之后，模型收敛到大约 0.3 的损失，并且会检测到流星，但流星在图像中的位置似乎很重要。我是否必须通过给出每个可能位置的示例来训练模型？我附上了一个检测运行的样本，我在整个图像上平铺了一颗流星，并收到了不同级别的检测（过滤到 50%）。我该如何改进？detected meteors in image example

【问题讨论】：

您尝试过一些传统的图像归一化方法吗？训练示例的颜色对比似乎使模型难以学习。我建议您在此处查看可用的预处理 (github.com/tensorflow/models/blob/master/research/slim/…)，您可以尝试很多变体。
谢谢，我正在试验颜色对比和其他数据增强，看看是否有帮助

标签： tensorflow machine-learning deep-learning object-detection

【解决方案1】：

这很可能是您的数据，我认为您正在通过改善数据集的异构性做出谨慎的举动，但是它也可能是您选择的模型。

值得注意的是，ssd_mobilenet_v1_coco 相对于 TensorFlow Object Detection API model zoo 中的其他模型具有最低的 COCO mAP。您不是在尝试检测 COCO 对象，但 mAP 数字是通用模型准确性的合理近似值。

在可能的最高级别上，模型的选择很大程度上是速度/准确性之间的权衡。您选择的模型 ssd_mobilenet_v1_coco 有利于速度而不是准确性。因此，我建议您在花费大量时间预处理图像之前尝试使用 Faster RCNN 模型之一（例如，faster_rcnn_inception_v2_coco）。

【讨论】：