Обнаружение объекта Tensorflow: почему местоположение на изображении влияет на точность обнаружения при использовании ssd mobilnet v1?

Question

Я тренирую модель для обнаружения метеоров на снимке ночного неба, и у меня есть довольно маленький набор данных с приблизительно 85 изображениями, и каждое изображение помечено ограничительной рамкой. Я использую технику трансферного обучения, начиная с контрольной точки ssd_mobilenet_v1_coco_11_06_2017 и Tensorflow 1.4. Я изменяю размер изображения до 600x600 пикселей во время тренировки. Я использую увеличение данных в конфигурации конвейера для случайного переворачивания изображений по горизонтали, вертикали и поворота на 90 градусов. После 5000 шагов модель сходится к потере около 0,3 и будет обнаруживать метеоры, но, похоже, имеет значение, где на изображении находится метеор. Нужно ли обучать модель, приводя примеры всех возможных мест? Я приложил образец прогона обнаружения, где я поместил метеор поверх всего изображения и получил различные уровни обнаружения (отфильтрованные до 50%). Как я могу улучшить это? обнаруженные метеоры в примере изображения

Answer 1

Это могут быть ваши данные, и я думаю, что вы делаете разумный шаг, улучшая неоднородность набора данных, НО это также может быть вашим выбором модели.

Стоит отметить, что ssd_mobilenet_v1_coco имеет наименьшую карту COCO по сравнению с другими моделями в TensorFlow Object Detection API модель zoo . Вы не пытаетесь обнаружить объект COCO, но числа mAP - разумное приближение для общей точности модели.

На самом высоком уровне выбор модели в значительной степени является компромиссом между скоростью и точностью. Выбранная вами модель ssd_mobilenet_v1_coco предпочитает скорость, а не точность. Следовательно, я рекомендую вам попробовать одну из моделей Faster RCNN (например, fast_rcnn_inception_v2_coco), прежде чем тратить значительное количество времени на предварительную обработку изображений.