【竞赛】竞赛的常见思路和方案——目标检测

1. 数据：

1. 数据研究：是如何获得的，宽高比，类别平衡，采样环境
2. 标注框和感受野的设置，rpn中anchor ratio，大目标和小目标
3. 考虑训练集和测试集的分布
4. 数据集的划分

• 直接比列
• 分层抽样，考虑类别的分布
• domain，根据数据集的分布，两个不同的年代
• k折划分

2 模型

backbone，Neck（FPN），RoIHead，它级联三个不同IOU阈值（0.5，0.6，0.7)的头，但在2019广东工业智造创新大赛决赛上，某团队针对评测mAP要求的IOU阈值0.1、0.3和0.5，降低了级联的阈值至0.4、0.5和0.6，从而获得了提升，说明宽松评测下，级联头阈值可适当减低以获取更多的预测框，这种方式可能会提升性能。另外，在天池”重庆大赛-瓶装白酒疵品质检”里，好像也还有选手通过增加多一个head，在某种程度上帮助模型更好的拟合数据，但不一定在每个赛题数据上都起作用。

3. 训练

1. 数据增强 （Albu很强大） 还可以分为在线和离线
   i. 空间
   ii. 噪声变换
   iii. 遮挡或者重叠------cutout, mixup
   iv. 过采样----类别不平衡------》copy-paste,泊松融合
   v. 图像模糊
   vi. 标签平滑，色调归一化，Albumentation

2. 训练尺度，尽量越大越好，提高短边上线能够带来提升，测试尺度，使用TTA

3. 学习率，soft-nms等超参数

4. 混合精度训练

4. 模型融合+后处理

1. 交叉验证后，不同迭代次数的，线性融合，不同初始化方式
2. 直接合并，将A模型检测的a类的结果+B模型检测的b类的结果合并
3. WBF：权重框融合Weighted Boxes Fusion，例如在visdrone2021比赛中，第一名使用分层nms,score大于0.1的用WBF，小于 0.1的用soft-nms, 见下方连接https://mp.ofweek.com/ai/a756714902267
4. 多尺度bbox目标检测融合
   https://blog.csdn.net/qq_33031419/article/details/106782837

写这篇文章主要是用于回顾总结下比赛的一般性技巧，由于我的经验也不是很高，高度不太够，水平很垃圾，所以认识也不是很高，不过希望自己能够对比赛有一个整体上的认识，记录之
参考
【1】https://jishuin.proginn.com/p/763bfbd5a357
【2】https://mp.ofweek.com/ai/a756714902267