全球人工智能技术创新大赛【赛道二】第三周初赛top-2分享

本文禁止转载！

作者的其他主页：

B站：https://space.bilibili.com/470550823

CSDN：https://blog.csdn.net/weixin_44936889

AI Studio：https://aistudio.baidu.com/aistudio/personalcenter/thirdview/67156

Github：https://github.com/Sharpiless

比赛地址：

比赛地址：https://tianchi.aliyun.com/competition/entrance/531855/rankingList

排名截图：

周周星就是：在每个赛道的初赛阶段，设立周周星奖励：从初赛第三周开始，以每周一中午12点的排行榜为准，取前两名参赛队伍发放周周星纪念礼物；对于前面已经获得周周星的队伍，不重复发放，名额按名次顺延。

白嫖了一个耳机和一个手环：

使用GPU平台：

AI Studio：https://aistudio.baidu.com/aistudio/index

AI Studio简介：

AI Studio 是一个基于 PaddlePaddle 的集成了大量数据集、经典样例项目及比赛项目的云计算建模平台，也是一个机器学习、深度学习的交流社区。

AI Studio 最大限度地解放了数据科学家需要环境配置的烦恼，在云端集成计算资源、项目管理、代码管理、比赛等多种功能，形成一站式兼顾学习和工作的建模平台。而且 AI Studio 提供计算资源、空间资源、视频公开课全部免费开放。

特点：

• 1. 支持后台任务，离线训练模型；
• 2. 每天赠送10h V100 GPU算力；
• 3. 有较好的开源社区氛围和文档；

使用深度学习框架：

PaddleDetection：https://github.com/PaddlePaddle/PaddleDetection/tree/master

PaddleDetection简介：

PaddleDetection飞桨目标检测开发套件，旨在帮助开发者更快更好地完成检测模型的组建、训练、优化及部署等全开发流程。

PaddleDetection模块化地实现了多种主流目标检测算法，提供了丰富的数据增强策略、网络模块组件（如骨干网络）、损失函数等，并集成了模型压缩和跨平台高性能部署能力。

经过长时间产业实践打磨，PaddleDetection已拥有顺畅、卓越的使用体验，被工业质检、遥感图像检测、无人巡检、新零售、互联网、科研等十多个行业的开发者广泛应用。

使用算法：

这里我使用PaddleDetection的 Cascade-RCNN 算法：

RPN提出的proposals大部分质量不高，导致没办法直接使用高阈值的detector，Cascade R-CNN使用cascade回归作为一种重采样的机制，逐stage提高proposal的IoU值，从而使得前一个stage重新采样过的proposals能够适应下一个有更高阈值的stage。

Backbone 使用 ResNet200，并加入可变性卷积网络v2（DCNv2）：

数据预处理：

图像分割：

由于原图很大，我们首先对数据集进行分割，按照两个比例：1/4和1/16切割原图，并过滤掉较小的目标（实际过滤掉长或者宽<5像素的目标）。

注意到 full body 切割后应修正为 visible body 对提高分数有很大的帮助。

有重叠的滑窗：

由于直接切割会导致很多目标被分离，因此我们使用overlap为0.2的滑窗采样：

多模型预测：

由于visible body跟full body在大多数情况下是重合的，他们的IOU也很大，导致一个模型检测效果较差，因此我们训练了两个模型，一个用于检测vehicle+visible body，一个用于检测full body+head：

数据增强：

数据增强我们主要使用了 imgaug 这个库：

预训练模型：

我们使用了在COCO目标检测训练的权重作为预训练模型。

后续思路：

• 1. 可以尝试知识蒸馏的方法，并可以通过模型量化剪枝等操作加快推理速度，融合更多模型。
• 2. 可以将滑窗预测改成批处理，加快推理速度。

联系作者：

微信号：Sharpiless（请备注“阿里天池”），缺卡，招募队友中。

我的公众号：