网站开发团队如何接活,自己做网站可以上传软件,网站群管理平台,毕业设计app创意天池竞赛-津南数字制造算法挑战赛【赛场二】解决方案分享 一、前言 竞赛页面 团队名BugFlow#xff0c;最终排名35/2157 虽然成绩一般#xff0c;但是作为一支目标检测领域的新手队伍#xff0c;仅仅有一块1070显卡#xff0c;从零开始拿到这个排名#xff0c;也算有一…天池竞赛-津南数字制造算法挑战赛【赛场二】解决方案分享 一、前言 竞赛页面 团队名BugFlow最终排名35/2157 虽然成绩一般但是作为一支目标检测领域的新手队伍仅仅有一块1070显卡从零开始拿到这个排名也算有一些经验可以拿出来分享包括一些针对这个比赛我们想出的一些idea算是抛砖引玉吧期待能够和排名靠前的大佬多多交流。 源码下载 二、框架选择 这个比赛实际上就是一个目标检测比赛初赛要求对图像中的违禁品出现的位置进行检测复赛在有效检测目标的同时要求输出高质量的实例分割。 对于框架选择如我们的队名BugFlow一样由于我们队伍的成员都是以tensorflow作为工具的我们最初选择的框架是google开源的Tensorflow Object Detection API, 无奈训练效果一直不理想。后面果断切换了FaceBook开源的Detectron, 成绩一下就上升不少也是体会了一回判教一时爽一直判教一直爽的感觉。 所以这里不得不说一下一个好的目标检测框架真的是事半功倍从我们组的经历来说Detectron无论从准确性、易用性还是扩展性来说都是一个不错的框架。不知道排名前5的大佬使用的是什么框架望赐教很想学习一下~ 三、解决方案概述 3.1 模型选择 复赛我们的选择的是 End-to-End Mask R-CNN 作为的baseline, backbone 选择的是 resnet101-FPN 之所以选择FPN结构是因为本竞赛中待检测违禁品的尺度大小不一且包含很多小物体我们认为feature pyramid networks能够更好的解决这个问题。 3.2 数据增强 在我训练分类网络的经验中在合理的范围内尽可能的进行丰富的数据增强能够大幅提升模型的性能。 显然这个技能同样能应用于目标检测中唯一的问题时在变换图像的同时需要同时对 bounding box 或 mask 进行相应的变换。当然这仅仅是一个稍有难度的编程任务难不倒大家的。 需要注意的是Detectron自带了水平翻转的数据增强。 我们的数据增强文件实现在/path/to/project/code/second_round_pyfile/data_augmentation_position_bak.py其中实现了水平、竖直翻转放大相当于crop操作缩小这四个最基本的数据增强方法。 此外我们还尝试了两种独特的数据增强一种是类似于随机拼接两种图的增强一种是随机贴图的增强效果如下 随机拼接两种图的效果示例 随机使用违禁品进行贴图的示例 遗憾的是虽然这两种方法表面上极大的丰富了样本集的规模但并没有取得很好的效果我们认为这可能和一定程度的破坏了样本原有的数据分布有关。最终我们也没有使用这两种方法。 3.3 使用二分类网络辅助 比赛的过程中我们发现有两个类型蓝色小电池和大个的绿色铁壳打火机特征不太清晰很容易混淆。 如果单纯使用mask rcnn模型会变得相对激进将很多长相相似的物体误判为违禁品造成成绩很低。 因此为了权衡这个问题我们考虑使用一个二分类网络首先对待检测图片进行判别若认为包含违禁品再交给mask rcnn模型进行预测。 有了这个想法之后我直接使用之前积累的Keras实现的resnet50 demo进行验证。 经过阈值的调试后二分类能够达到100%召回98%准确率。这样大概率不会漏掉含违禁品的图片的情况下mask rcnn 虚警的概率大大的降低了成绩也提高了很多。 3.4 预处理 我们还对数据集进行了简单的分析发现我们的目标场景的图片的像素值普遍偏高类似下面这样 因此我们认为可以对数据进行预处理大体思路是对像素值进行调整使其更均匀的分布在0-255的范围内。 为此我设计了3种不同的预处理方法其中最简单的一个就是类似下图的一个简单映射 它达到的效果类似下面这样 三种预处理的效果示例 原图 预处理1 预处理2 预处理3 其中通过不断地尝试和提交测试分数我们发现预处理1对于二分类的accuracy提升有明显帮助预处理3对mask rcnn的性能有微弱提升也可能是随机因素导致还不敢确定 至此我已经将我们认为所有可能值得分享的信息介绍了还望排名靠前的大佬不吝赐教~~~ 对于大多数伙伴读到这里就可以了~ 如果你对我们代码的详细信息甚至复现感兴趣请继续往下看我简单的介绍一下。 四、安装 我们代码的运行环境及主要依赖为 Ubuntu/Centos CUDA9 CUDNN7 NCCL Anaconda2 Keras2.2.4 PyTorch 初赛我们使用的显卡是可怜的NVIDIA GTX1070复赛有了阿里云代金卷使用的是P100 运行如下命令自动安装依赖环境及深度学习框架 $ cd /path/to/project/code/install $ ./install_requirements.sh详见project/code/README.md若由于各种没有考虑到的情况安装不能顺利进行还请大家简单分析安装脚本自行安装环境。 五、复现 初赛时还处于摸索阶段成绩也只有89名初赛的复现就不做介绍了。大家有兴趣可以看下初赛提交时我们编写的 ROUND1_README我们对如何复现我们的结果进行了说明。 复赛阶段的代码位于project/code/second_round_pyfile中相应的运行脚本位于project/code/second_round_shell中我们对这些脚本进行了编号简单的阅读确定参数并依次执行即可~ 六、联系方式 参加比赛也是一个交流的过程本人现在作业帮的反作弊团队担任算法工程师期待和各位算法从业者进行技术上的交流~ 加好友、技术交流、内推请联系我本人邮箱anshengmath163.com。 此外我们团队一位靠谱的小伙伴正在打算找博导希望大家帮忙推荐呀他的联系方式zhaoyhncepu.cn