目标检测学习笔记——相关资料、竞赛及trick

参考链接：

L0CV-Challenges | 计算机视觉实战项目，提供baseline
paddlepaddle
ECCV 2020 GigaVision挑战赛“行人和车辆检测”和“多目标追踪”冠军方案解读
paddledetection
烟火检测

竞赛：

2019广东工业智能创新大赛
2021广东工业智造创新大赛——智能算法赛
腾讯云竞赛
用实力给自己正名，YOLOv5：道路损伤检测我最强！GRDDC’2020大赛报告
Kesci 水下目标检测算法赛 underwater object detection algorithm contest Baseline A榜 mAP 48.7

2021 Kesci 水下目标检测算法赛 A榜 mAP 0.569
B榜 mAP 0.568

和鲸社区Kesci 水下目标检测算法赛（光学图像赛项）

kaggle:NFL-CenterNet

添加链接描述天池广东工业智能大赛布匹瑕疵检测第二名方案

数据集：

烟雾数据集

数据增强：

目标检测 YOLOv5 - 数据增强

trick:

kaggle:how to win object detection competetion

Kaggle竞赛中使用YoloV5将物体检测的性能翻倍的心路历程
目标检测系列三：奇技淫巧
Kaggle实战目标检测以及各种技巧合集。
吊打一切现有版本的YOLO！旷视重磅开源YOLOX：新一代目标检测性能速度
火灾烟雾检测
YOLOX深度解析
ppyolov2的track

一、数据分析（EDA）

1、分析图像的大小尺度

一般在图像长宽的0.75到1.25

2、目标标注框的大小、长宽比

3、图像数量是否充分，延伸到类別均衡问题

4、人眼观察图像是否有认为旋转，色彩对比度，裁剪等

二、数据增强/数据处理（在线、离线）

像素（scale几何（翻转、对折、平移）)、图像区域（隨即擦除、cutout、 grid mask、hide and seek)、融合（馬賽克、cutmix)、光照色彩(亮度、對比度）這几類調整
翻转旋转
偏色校准
亮色、色度、对比度
模糊平滑算子
去雾
mixup、cutout、cutmix
引入更多数据

三、post process

nms以及nms的变体（soft_nms、DIOU_nms、CIOU_nms、merge nms(weighted nms)、culster nms、fast nms)
WBF(替代nms、TTA、模型融合）

四、模型集成

直接nms
加权nms
soft nms
matrix nms
wbf与vote

五、训练采样

基于数据分布即domain采样
OHEM

六、模型部分

1、backbone

主要的有：resnet和swin transformer
efficientnet(NAS得到的）、unet(分割）、segnet、NFNet、SeNet、shufflenet(轻量级）

2、neck

FPN、BIFPN、PAN、NAS、SFAN、ASFF

3、activation

Tanh、Mish、relu、leaky-relu、swish、sigmoid

4、DCN、CNN

七、tricks

1.EMA:指数移动平均

在深度学习的优化过程中， ${\theta }_t$是t时刻的模型权重weights，$v_t$是t时刻的影子权重（shadow weights）。在梯度下降的过程中，会一直维护着这个影子权重，但是这个影子权重并不会参与训练。基本的假设是，模型权重在最后的n步内，会在实际的最优点处抖动，所以我们取最后n步的平均，能使得模型更加的鲁棒。

【优化技巧】指数移动平均（EMA）的原理及PyTorch实现
pytorch必须掌握的的4种学习率衰减策略

2.iou-aware

预测目标候选框和真实目标框之间的iou。
以前的目标检测模型用分类置信度来进行NMS和ap的计算，这就有可能导致：
1.NMS时，只能使用分类置信度来进行anchor排序，导致高IOU但低分类分数的anchor被过滤。
2.计算AP时，依然是使用分类置信度进行排序计算的，高分类置信度但低IOU的anchor会降低高IOU阈值时的AP。
作者将分类分数和预测得到的IoU相乘，这个指标既反应了是不是这个目标，又反应了该位置和真实目标的可能的交并比，认为它是更加精确的检测置信度：

公式中参数 α 用于控制两者的贡献大小。
IOU aware
添加链接描述IoU-aware single-stage object detector
论文链接

3.FPN、PAN、SPP

4.DropBlock

比较于dropout正则化

5.IOU Loss

CE、MSE=l2 loss、MAE=l1 loss改进到smooth loss、IOU LOSS
focal loss:相比较于CE，解决one-stage 目标检测中的正负样本比例严重失衡的问题和相比较于复杂样本减少简单样本的影响。
Focal loss论文详解

6.Matrix NMS、soft nms

7.warmup

Constant Warmup、Linner Warmup、Cosine Warmup
【调优方法】——warmup

8.学习率衰减

余弦退火学习率衰减

9.模型集成

10.输出集成

11. WBF（weighted box fusion加权框融合）

集成多模型（同模型不同训练权重、同模型同权重同一图片TTA）的预测结果，将每个模型的结果进行加权平均。
加权边界框融合(WBF)
WBF：优化目标检测，融合过滤预测框
kaggle比赛NFL分享
kaggle:WBF

12. focal loss解决正负样本不均衡，难易样本不均衡的问题

目标检测之样本不均衡

13.SElayer

[目标检测]-cv常用模块注意力机制selayer原理讲解与pytorch定义
Pytorch(笔记3)–MaxPool2d&AdaptiveAvgPool2d

14、TTA（test time augmention

数据增强通常在训练阶段进行，目前一些文献在测试时进行数据增强，在分割、分类、检测等场景都取得了不错的效果。
测试时增强，指的是在推理（预测）阶段，将原始图片进行水平翻转、垂直翻转、对角线翻转、旋转角度等数据增强操作，得到多张图，分别进行推理，再对多个结果进行综合分析，得到最终输出结果。
测试时增强-TTA (Test time augmention)

15、ATSS

16、GC(global context)