$$深度学习之目标检测通用技巧$$

一 数据增强

1.离线增强

离线增强:对数据集进行处理，数据的数目会变成增强因子×原数据集的数目

2.在线增强

对输入模型的batch的数据进行增强，如旋转、平移、翻折等相应的变化，由于有些数据集不能接受线性级别的增长，这种方法长用于大的数据集，很多机器学习框架已经支持了这种数据增强方式,并且可以使用PU 优化计算。

---

1.空间几何变换:翻换…
2.像素颜色变换类:
3.HSV对比度变换
4.RGB颜色扰动
5.随机擦除
6.超像素法
7.边界检测
8.锐化与浮雕

3.mosaic

二 训练策略

1.warmup

训练初期由于离目标较远，一般需要选择大的学习率，但是使用过大的学习率容易导致不稳定性。

所以可以做一个学习率热身阶段，在开始的时候先使用一个较小的学习率，然后当训练过程稳定的时候再把学习率调回去

2.学习率衰减策略

1.指数衰减
2.固定步长衰减
3.多步长衰减
4.余弦退火衰减
5.自适应学习率

3.Label smoothing 标签平滑

one-hot带来的问题:对干损失函数，我们需要用预测概率去拟合真实概率，而拟合one-hot
的真实概率函数会带来两个问题:
1)无法保证模型的泛化能力，容易造成过拟合;
2)全概率和0概率鼓励所属类别和其他类别之间的差距尽可能加大，而由梯度有界可知，这种情况很难adapt。会造成模型过于相信预测的类别。
所以产生了Label smoothing，增加了模型的泛化能力，一定程度上防止过拟合。

4.K-Fold交风验证

三 推断策略

1、NMS（非极大值抑制)

同一个物体可能有好几个框，我们的目标是一个物体只须保留一个最优的框:于是我们就要用到非极大值抑制，来抑制那些冗余的框:抑制的过程是一个迭代-遍历-消除的过程。

2、soft nms

不要粗鲁地删除所有IOU大于阈值的框，而是降低其置信度

3.DIoU NMS

在nms过程中采用DIoU的计算方式替换了IoU，由于DIoU的计算考虑到了两框中心点位置的信息，故使用DIoU进行评判的nms效果更符合实际，效果更优。