目標檢測小目標/多尺度難題
1樓：會哭的禮物
場景 ：目標檢測中存在尺寸很小的目標，或同時存在大小差距很大的目標，小目標由於下采樣/數量少丟失風險大。
方案一：構造傳統多尺度影象空間。
在傳統的影象處理，多尺度問題通常通過上/下采樣得到不同解像度影象，構造多尺度影象空間，在各層使用不同大小檢測器進行檢測。可認為是密集取樣檢測，無法有效區分小目標與背景干擾。
方案二：提高神經網路訓練集小目標樣本佔比，或提公升小目標樣本的loss權重。
神經網路學習訓練資料的分佈，如果小目標太少，容易在網路引數的優化中被稀釋，因此提公升小樣本目標的佔比屬於基礎且高價效比操作：
copy paste
隨機選擇目標，copy並縮小後paste到新的訓練樣本中，以增加小樣本數量。
mosaic
將原始樣本進行多合一拼接，達到下采樣效果，同時改變目標的尺寸、位置、形態，增加每張圖中小樣本的數量。
oversampling
方案三：增加anchor的覆蓋範圍。
基於anchor的目標檢測中，anchor的存在降低了座標迴歸的難度，同時也一定程度上決定了網路檢測的範圍，因此在網路設定anchor的時候，更多的設定小尺寸的anchor，將對網路在不同尺度捕獲小目標起到積極作用。此外，小目標的迴歸難度顯著大於大目標，因此計算小目標的anchor iou時，閾值可適當降低。
方案四：提公升不同尺度的feature的融合程度。
神經網路的核心是對輸入資料進行特徵表徵，以適應label監督的分佈，fpn與傳統影象多尺度空間的思路類似，不同之處在於：1、不同尺度層之間存在特徵的融合；2、各層特徵由網路動態學習得到，而傳統多尺度空間是靜態的特徵。
方案五： 提高輸入解像度，預訓練+finetuning
放大輸入影象+使用高分率影象預訓練再在小圖上微調，在實踐中要優於專門針對小目標訓練乙個分類器。同時必須控制下取樣率，避免小目標資訊丟失。
方案六：結合anchor和anchor-free的方法。
在fsaf中結合了anchor和anchor-free兩條檢測分支，anchor分支根據預設的anchor size可以檢測絕大部分預期的目標，anchor-free的分支對於anchor範圍外的目標（例如小目標）可以起到補充檢測的作用。
如果同一場景中，目標尺度差異過大，可採用兩個模型來檢測，針對小目標進行調小iou閾值，以保留更多的小目標，檢測結果後處理合併。
YOLO 目標檢測實戰專案 原理篇
yolo系列目標檢測演算法發展史 目標檢測的發展大致經歷了兩個歷史時期，如下圖所示 從圖中可以看出，joseph redmon於年提出yolo演算法是的單階段目標檢測演算法的開山鼻祖，跟扒指鎮於年提出的rcnn系列兩階段目標演算法一起引領基於深度學習的目標檢測演算法的發展。yolo系列演算法是一種能滿足即時檢測...
問做核算檢測報告幾天出來？
問做核算檢測報告幾天出來？新型冠狀病毒核酸檢測出結果時間，因醫院實驗室的條件技術 人員操作熟練度 採取檢測的試劑盒等因素不同，其出結果的時間是不同的。通常情況下從痰液 咽拭子中提取病毒rna，到對rna病毒進行逆轉錄擴增過程需要個小時左右。但隨著目前採取簡易檢測試劑盒，其出結果的時間縮短至個小時。有...
下圖為一大尺度等溫線分佈圖。讀後完成下列問題小題1若
小題1 c 小題2 c 試題複分析 小題1 因a 制b，可判斷為南半球，又因大陸等溫線向北凸出，表明同緯度地區，陸地上的氣溫低于海洋，所以可判斷為南半球的冬季，為7月。故選c。小題2 若陰影為海洋，則海洋上等溫線向北凸出，表明海洋上的氣溫比同緯度的陸地低，可判斷為南半球夏季，北半球冬季，開普敦是炎熱...