AI识虫比赛如何将mAP提高到90以上?
收藏
当前使用模型为YOLO v3；batch size为10，训练数据总量为1690及每个epoch有170次迭代；优化选择Adam，学习率为[1e-3, 1e-4, 1e-5]，分别在10000和20000次迭代时候衰减；使用了各种数据增强；未使用正则化。
训练200个epoch后mAP值为80.99378。为了提高mAP（完全不考虑速度），我设计了以下两条路线：
1. 改用Faster RCNN，同时加载imagenet Resnet50预训练模型从头开始训练。根据网上资料，Faster RCNN速度慢，但是对密集小目标检测准确率高于YOLO v3，所以想换个模型试试。
2. 在已训练200个epoch的模型基础上继续训练；根据观察，验证集的损失明显高于训练损失，所以加入正则化项，正则化参数设置为0.2，继续训练200个epoch。Adam学习率为[1e-5, 1e-6, 1e-7]。
请问各位大佬选以上哪条路线比较靠谱？此外如果优化器选择moment会不会优于Adam？如果有什么别的建议，请务必赐教，多谢。
0
收藏
请登录后评论
补充提问：比赛提示中，有提到可以修改与设置的anchor box大小参数，根据我对训练以及测试图片的观察...完全无法确定应该如何修改anchor box的大小参数...比如在红绿灯信号识别比赛中，红绿灯必然是一个长方形框，且长宽比比较固定；然而在AI识虫里，虫子横七竖八的，甚至有45°斜着的（此时检测框近似于正方形）。我是不是应该增加一个正方形anchor box？请问有什么好的建议？
关于anchor的大小可以采用论文中的方法Kmeans进行统计
你说的很对，虫子横七竖八，总体上就是长矮、高瘦、正方形三种形态；而一个层三组anchor正好可以覆盖此三种形态。这样三层正好9个anchor。
anchor聚类我试过基本没有提高效果基本没有不知道是不是anchor做得不太对
我觉得backbone影响相对较大，cascade-rcnn我也试过但是提高没有特别明显且训练时间较长，可能原因是没有训练好最后放弃，还是坚持在yolo的架构上，但是backbone可以考虑换一下，原先用的是darknet的backbone换成resnet的backbone可以有显著提高，楼主可以试试senet之类的backbone，另外个人感觉整个图像是圆形的旋转增强可能会有一定效果
等听老师讲吧，我把各种数据增广都用了。尤其是任意角度旋转都试过了。还是。。。