关于样本增强贴图的实验结果思考

2022年06月30日15:10:22

新增png图片模糊

——————————————————————分割线——————————————————————————————————

2022年06月28日10:03:22

这里写一个有效的贴图方法，我们常常将类别进行png抠图，保留主体，然后随机粘贴到图片上；这里建议再将透明区域填充上白色，生成另一个图片，这样可以保证有一部分的背景不会太复杂，容易学习

——————————————————————分割线————————————————————————————

2022-06-16 09:18:04

在做实验时，首先确定评价指标，否则后期更换评价指标会重复大量实验，例如我们在工程中更加关注的是召回率recall和精确率precious，而非精度ap；召回率保证可以找到更多数据，精准率可以保证找到的数据的有效性，这些是客户感兴趣的。而ap往往是比赛中注重的指标，但是当recall提高往往会导致ap提高，但是precious会下降很多，这是我们在实战中所不能忍受的。

当需要去验证一个贴图方式是否有效时，前期我们在做实验时往往选择n个类别，对其中的一个类别进行新的贴图方式，然后重新训练，这样的训练结果中其他类别的指标数值也发生很大变化，不同类别中相互影响，让人不禁对实验的实践方式产生疑问。

————————————————————————分割线——————————————————————————

三种贴图方式：

海量图片随机贴图、相似图片随机贴图、相似图片在空白区域贴图

以上三种贴图方式无法说明哪一种更有优势，针对某种logo可能有自己合适的贴图方式，如a类logo适合海量图片随机贴，b类logo适合相似图片随机贴

专门测试某一种贴图方式的效果时，不应当仅使用某个类别的更新，因为这样可能会导致其他类别在训练时发生变化，无法验证是否是因为贴图方式更新所导致。更有效的方式是对所有类别的logo都进行贴图方式更新

logo图片数量越少，训练epoch次数越多，难以快速达到最优

有的logo抠出的png图片由于和测试机中的不太相似，导致测试时ap总是太低，无法有效学习