[算法竞赛]目标检测常用技巧总结

以数智重庆.全球产业赋能创新大赛 为例，目标检测的几种常见的做题技巧如下：

1. 针对数据集进行数据提升
   a. 需要对数据进行了解，比如有哪些分类，每个分类下各有什么特点，每个分类下的图片尺寸是怎样的，分布是怎样的(长尾分布，类别不均衡)。
   b. 数据出现了什么样的问题，应该怎么去解决这些问题。(多样性，长尾分布、小目标)
   c. 使用Pseudo Label提高长尾分布较严重类别
2. 针对算法模型的改进
   a. baseline：如果为精度，针对精度要求较高的目标检测任务则应当考虑到Cascade RCNN+Resnet50/101+FPN+DCN；如果为精度和模型大小，则考虑mobilenet-ssd和resnet50-yolo3,训练epochs为12到36最佳。
   b. 使用DCN和SEnet模块提升模型的鲁棒性。
   c. 使用Small Feed Duck(增加小目标的采样率)和random crop等方法提高小目标检出率，额外设置ratio=1的anchor,增加小目标正样本的匹配率。
   d. Libra-RCNN，在样本层次，特征层次，目标层次上做均衡。
   e. 多尺度训练
3. 针对数据以及模型共同调参
   a. RPN IOU(0.7, 0.3) -> IOU(0.6, 0.2), RCNN阶段：IOU(0.7, 0.6, 0.5) -> IOU(0.6, 0.5, 0.4)
   b. 调整anchor的大小尺寸，anchor_size=6, anchor_ratio=(0.1, 0.5, 1, 2, 5)

框架选择：

1. mmdetection