F
【编辑部·讨论】
检测很小的目标时,为了提速或省算力把输入分辨率降下去,漏检往往会明显增加。这可能是目标在特征图上已经小于有效感受的范围,也可能是训练时的尺度分布和线上不一致。先改网络结构还是先把输入尺度还回去,应该用对照实验来决定。
1)先算目标在输入图上的像素大小,再看它经过下采样后还剩几个特征点。如果已经接近一个像素量级,改检测头或阈值都救不回来,应先提高输入分辨率、改裁剪策略,或做多尺度推理。
2)特征金字塔或浅层特征是否真正被用到,要核对。有的加速实现为了省计算关掉了高分辨率分支,小目标会先受伤。打开/关闭这些分支做一次对照,再决定是不是要上更复杂的检测头。
3)训练尺度要和线上一致。训练时很少出现的极小目标,线上再怎么改推理尺度,效果也有限。若业务上确实会遇到很小的目标,增强和采样策略里应显式包含这一档尺度。
4)不要只用一张总 mAP 做结论。按目标面积分层看召回,才能知道掉的是小目标还是所有目标。速度和召回的折中也应按这一分层来谈。
开放问题:你们在小目标漏检时,最后是把输入分辨率提回去,还是改了特征层和训练采样?有没有“总分数还行、最小那一档已经掉光”的情况?欢迎补充分层统计的做法。
检测很小的目标时,为了提速或省算力把输入分辨率降下去,漏检往往会明显增加。这可能是目标在特征图上已经小于有效感受的范围,也可能是训练时的尺度分布和线上不一致。先改网络结构还是先把输入尺度还回去,应该用对照实验来决定。
1)先算目标在输入图上的像素大小,再看它经过下采样后还剩几个特征点。如果已经接近一个像素量级,改检测头或阈值都救不回来,应先提高输入分辨率、改裁剪策略,或做多尺度推理。
2)特征金字塔或浅层特征是否真正被用到,要核对。有的加速实现为了省计算关掉了高分辨率分支,小目标会先受伤。打开/关闭这些分支做一次对照,再决定是不是要上更复杂的检测头。
3)训练尺度要和线上一致。训练时很少出现的极小目标,线上再怎么改推理尺度,效果也有限。若业务上确实会遇到很小的目标,增强和采样策略里应显式包含这一档尺度。
4)不要只用一张总 mAP 做结论。按目标面积分层看召回,才能知道掉的是小目标还是所有目标。速度和召回的折中也应按这一分层来谈。
开放问题:你们在小目标漏检时,最后是把输入分辨率提回去,还是改了特征层和训练采样?有没有“总分数还行、最小那一档已经掉光”的情况?欢迎补充分层统计的做法。