目标检测总结

任务

常规的目标检测任务是对各种不同尺寸的目标检测，本方法针对小目标进行检测，使用场景为地铁站火车站的人头检测、遥感图像、卫星图像小目标检测。

创新点：

• 移除了原始YOLO框架的全连接层，使用了全卷积的方式，删除了(771024)4096(7730)的最后两个全连接层，参数只有原始YOLO的10%，取而代之的是使用kernel=33 stride=2 padding=1的卷积下采样得到N5HW大小的特征图作为预测结果，其中5通道，各个通道表示（class, bbox左上角x坐标，bbox左上角y坐标，bbox右下角x坐标，bbox右下角y坐标）
• 采用适应性高分辨率训练（adaptive high resolution training method）：因为是全卷积网络没有全连接层，所以对输入尺寸的不敏感的。先采用低分辨率训练7000batch，batch size=16，在使用原始分辨率训练2000batch
• 多尺度训练：给定一个最小分辨率和一个最大分辨率，图片随机裁剪到该范围大小，提高模型的泛化性能。
• 两种训练策略提升2个mAP的百分点，COCO数据集在25ms/image的速度下达到0.35mAP。
• 提出新的优化策略：融合了AdaGrade+Momentum新的优化策略，训练效率不如Adam但效果优于Adam。
• 解决模型训练过慢问题：使用Nvidia dali解决CPU瓶颈，Automatic Mixed Precision解决GPU瓶颈、内存盘解决数据IO瓶颈。