View Code? Open in Web Editor
NEW
This project forked from maozezhong/2018-bd-xjd-2-
2018百度西交大大数据竞赛-商家招牌的分类与检测-复赛(23/1139)
2018-bd-xjd-2-'s Introduction
- 针对检测+分类任务,我们提供9000张带有位置信息和类别信息的图像数据用于训练,4351张图像用于评估测试。该数据集全部来源于百度地图淘金,选取了60类常见品牌类别。比如,肯德基,星巴克,耐克等。
- 7月13号结束,7月初开始做.中间尝试了
- 最后还是tow-stage的faster-rcnn正确度高(至少在我的实验中是这样,当然时间有限,设备有限单卡1080,实验结论不完备)
- 数据处理方面 : 使用了针对检测的数据增强,包括旋转,平移,加噪,改亮度,具体实现见DataAugmentForObejctDetection.py这个脚本
- trick方面 : 1)softnms, 2)模型融合(具体见merge_box中的脚本)
- batchsize基本上是1,设备受限上不去了; lr初始一般设的0.001, 每5轮降为原来的十分之一; 输入尺度试过600和800
- 最后线上为0.8576,排名23,没苟进决赛,哎...
- merge_box:
- csv_2_txt_for_merge.py : 根据结果csv产生中间txt文件
- merge_res.py : 融合并产生最终csv结果文件
- show_boundingbox_on_pic.py : 可视化脚本
- DataAugmentForObejctDetection.py : 数据增强脚本
- densenet.py : pytorch, 基于densenet backbone的faster rcnn模型结构(未实验), 参考vision/torchvision/models/densenet.py
- resnext.py : pytorch, 基于resnext backbone的faster rcnn模型结构, 参考ResNeXt-PyTorch/resnext.py, 其实就是在resnet的基础上加了多通道并行.
- nms.py : 常规nms,以及softnms
- faster多尺度训练,多尺度预测,tesnsorlayer数据增强,结果ensemble可以到89
- 基于fpn的faster-rcnn
- detectron单模型可以到89
- predict的时候augment, detectron中的config文件下有例子
- 调参方法,何凯明论文,detctron有论文链接
- 增强后的数据作为验证集,把60类验证集AP保存,取每一类最好的ap的模型进行集成
- 数据增强库 : imgaug, emmm...应该比我自己整的靠谱点
- 调整分类和bbox的loss权重
- 使用sniper模型
- ssd上89!!!但是没说用了啥技巧....