1. pixels-iou(piou) loss :
2. focal loss
3. 先做檢測，再做識別
4. 增加負樣本: 測試影象中被識別錯誤的母豹所在區域。(通常對原影象進行裁減，使得裁減下來的影象只包含誤識別的物體，而不包含目標)
5. 負樣本的標籤檔案：直接對誤檢的影象生成乙個空的xml檔案（檔案中沒有任何物件）結合到第4點用：參考
6. 加入多幀判斷策略、區域位置、大小先驗限制
7. 通過互動方式：加入tracking。標記了是誤檢，然後去track，如果track到的框分數還很高，直接刪。
8. 一旦出現誤報，使用者就會點下這個按鈕，然後這個按鈕的bbox就被當成乙個template，把他的feature儲存下來，接下來3分鐘內如果還有要報的bbox，拿2個feature做similarity，如果很similar，就直接ignore，不報警。只有當新的bbox和這個template bbox的feature similarity很低的時候，才報警。其實跟tracking很像，只不過簡單殿，能省點資源，畢竟feature similarity超級快。
9. 資料是個大工程
10. 增加去誤報模組：已有，優化。
11. hard example mining
12. 將誤檢的區域使用正方形標註出來，然後將誤識別區域放到指定的位置
13. 確定資料是否均衡
14. da faster r-cnn: 視覺、物體外觀、背景、光照以及質量的不同，使得測試資料和訓練資料存在較大的跨偏移
15. few-shot learning
16. nms, soft-nms : 提高準確率
17. label smoothing
18. cosine learning rate decay
19. 利用gan將小物體放大再檢測
目標檢測演算法優化技巧
這篇 介紹目標檢測演算法的一些優化技巧，目前已經在gluoncv中實現了，整體看下來和之前的那篇影象分類演算法優化技巧的 bag of tricks for image classification with convolutional neural networks 類似。這篇介紹的優化技巧具體而...
目標檢測演算法map 目標檢測的指標AP與mAP詳解
上一章 機器學習回歸模型評價指標 mae,mse,mape及 實現 主要講述了mae,mse,mape的概念以及 實現，本章講述目標檢測的指標ap與map。ap和map是影象分類任務中的評價方法.舉例說明 首先用訓練好的模型得到所有測試樣本的confidence score，每一類 如car 的co...
小目標檢測的一些總結
無論是在檢測還是分割演算法中小目標的檢測或分割都是比中等與大目標難的，一般來講在coco檢測資料集上小目標的檢測效能是大目標的一半不到。那麼什麼樣的目標才能算是小目標呢？下圖是coco 上對於不同大小目標的定義 面積小於32 32 32 32 32 3 2的目標 小目標檢測困難的原因分析 在此基礎上...