【深度学习】知识总结

1、语义分割和目标检测具有相似之处

分辨率和感受野的关系

下采样会损失细节信息，但减少下采样倍数，会减小感受野，使用空洞卷积。空洞卷积设计不慎会产生网格效应。

车道线分割中的自蒸馏方法SAD，可使得特征层学习到更丰富的全局上下文信息

浅层信息和深层信息的融合：skip connection 、FPN

语义分割中有很多模块可实现特征的融合：如CAB和FFM，采用channel attention机制

轻量级模型设计：

分组卷积、深度可分离卷积、分解卷积、深度可分离空洞卷积

2、可行驶区域检测

提高边缘的分割效果

使用canny、sobel等边缘检测算法对原始图片检测，作为辅助输入，增加边缘的梯度

使用BA loss对边缘进行监督

提高小目标分割效果

加权交叉熵、Dice loss、Lovasz-softmax loss 、boundary loss

空洞率的设计 2 4 8 16 8 4 2 1

面临的最大挑战：TDA2的限制

卷积个数在50以内，1个深度可分离卷积包括两个卷积、一个分解卷积包括两个卷积。最后只有分组卷积

空洞卷积1 2 4

每次只能进行2倍上采样，无法使用全局平均池化相关的模块，如通道注意力机制和PSPNet中的模块

无法自定义层，只能使用常规操作

3、目标检测中如何解决目标尺度大小不一的情况

anchor

覆盖各种尺度的目标，降低网络训练的难度。

ssd

FPN

TridentNet 多分支空洞卷积：

4、小目标检测问题

（1）数据集中的很多图片中不含有小目标，小目标在总的目标数量中占得比例少

（2）因多级下采样，小目标信息损失，提取到小目标的特征较少

（3）很多情况下，小目标没有其对应的anchor，或者其对应的anchor特别少，小目标的iou平均为0.29，会被判为负例，

数据增强：针对问题一，对含有小目标的图片进行oversample；针对问题二：将小目标复制多份，人工增加小目标出现的次数；

FPN、SSD、SNIP

HRNet：减少下采样倍数，减少信息损失

anchor层面：S3FD（特征感受野对齐）；anchor匹配策略（小目标不设置过于严格的阈值）

ROIPooling ROIAlign

context：小目标需要有更多的周边信息来帮助识别，two-stage可以从ROI Pooling处下手

5、遮挡问题

soft nms
softer nms

6、漏检误检问题

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！