ICIP 2019 积水容器检测第一名比赛心得

点击上方“CVer”，选择加"星标"或“置顶”

重磅干货，第一时间送达

作者：许出山

https://zhuanlan.zhihu.com/p/73823115

本文已由作者授权，未经允许，不得二次转载

最近参加了ICIP上的一个比赛拿了个第一名，然后把相关的心得写了个论文，投了一下稿，然后reject了，哈哈哈哈。那就在这里把比赛心得分享一下，确实没有太多的新意。

比赛链接：https://aidea-web.tw/icip

这个比赛全名叫做Mosquito Breeding Site Hunting for Dengue Fever Control。首先这个比赛就是一个检测的比赛，然后它最后只要求在小物体上做评估，小物体的标准遵守COCO，是小于1024pixels的物体。代码这边我用了mmdetection。它所谓的积水容器就是瓶瓶罐罐，轮胎，塑料袋什么的。

一开始是想只训练小物体的，发现不行，然后就试着拿所以数据跑了一个带fpn的基于resnet101的faster rcnn，后来发现效果不如resnet50好。于是就是50做基础模型了，这部分的原因我没有做细究。

然后就是一些小技巧（tricks）：

1. 冻结batch normalization

2. 把选box的threshold调小，本来默认设定是大于0.05的，我改成了0.01，其实我试过更小的，都会有提升，但是提交的结果数量会大大上升，而且我看不到val的gt，所以我不知道这样调整对precision和recall的影响。

3. 多尺度测试。这部分我发现如果我用多尺度训练，再加多尺度测试的效果不如单独多尺度测试。虽然单独多尺度训练会有mAP的提升。

4. 反转图片，我发现把原图和反转的图片的结果合并在一起，然后NMS，很多时候在val上会掉点。不过感觉这样结果更稳健，所以还是用了。

用了上面除掉反转以外的技巧后，mAP就到了0.3407。

逐个加trick的效果

这个0.3407就比第二名高了，不过最后的结果还更高一点，一方面我集合（ensemble）了另外的model，另一方面我用了类似SNIP的技巧。

我后来发现虽然说单独训练小物体效果不好，但是这样做会有提升。首先你用所有数据训练，然后把RCNN的部分冻结，把RPN的anchor size改小，然后在小物体上微调（fine-tuning）RPN，这样会有提升，不过最后没有用这个。

我参考了SNIP的做法，用了多尺度训练，然后训练的时候，如果这个box大于一定大小我们才用来做训练。这个大小得按照数据集的分布，原图大小，多尺度训练的选择还有评测的尺度的选择来综合决定。这边我叫他box selection。这边就不细写了，一句话表达就是，你要让你在训练时被用来训练的box大小，在最后测试时在原图上是能落入1024pixels的。比如说你原图100x100，但是你训练放大到了1000x1000，那么这时小于10240pixels的box都是小box。

Box Selection

这边还是用了flip testing。可以看到faster rcnn用了这个方法后，就算flip，也有0.3503，比刚才最好的0.3407还好。然后我就直接在Cascaded R-CNN和Libra R-CNN上试了，没有做对比试验。其实和FPN没有太大区别。最后Ensemble了一下，这边ensemble就是合并结果然后做NMS，结果到了0.3779。这个是publicboard的结果，相当于是val。最后在private board上的结果，我是0.374227，第二名是0.321927。

我一开始以为我就是提交一个比赛的心得这样，就写了个文提交了，说是published under ICIPC（challenge），我以为就像workshop一样蛮容易的，我也就是抱着分享方法的心态，没想到审稿时感觉当做是ICIP。比赛结束之后我也没办法再添加实验，本来也没办法看具体的precision和recall。加上我写论文水平一般，就被reject了。所以直接在这边分享一下了。

重磅！CVer-目标检测交流群成立啦

扫码添加CVer助手，可申请加入CVer-目标检测学术交流群。一定要备注：研究方向+地点+学校/公司+昵称（如目标检测+上海+上交+卡卡）

▲长按加群

▲长按关注我们

麻烦给我一个在看！