Я использую api обнаружения объектов tenorflow (https://github.com/tensorflow/models/tree/master/research/object_detection) для обучения CNN с помощью детектора Single Shot Multibox (SSD) и последующего обнаружения объектов на изображениях / видео. Есть ли способ реализовать тепловую карту в сети, чтобы повысить точность модели? Если нет, можете ли вы предложить какой-нибудь другой способ улучшить модель?
заранее спасибо
Ответ зависит от того, что вы действительно хотите получить от этой работы. Если вы просто хотите иметь модель, которая отлично работает, не понимая, что происходит под капотом, я бы посоветовал вам попробовать некоторые высокоуровневые сервисы, такие как AutoML, из Google Cloud Platform.
Вместо этого, если вас интересует технология, лежащая в основе этого, вы должны сначала прочитать исходный документ о SSD, чтобы получить более глубокое представление о том, как это работает. После этого вы можете попробовать поиграть с параметрами, которые вы найдете в файле .config.
Я бы лично начал с изменения экстрактора функций, чтобы использовать более точный (но, вероятно, более медленный), например VGG16 или ResNet, по сравнению с MobileNet (быстрый, но менее точный).
Затем вы можете попробовать изменить размер якорей и их форму, всегда из файла .config.
Однако я действительно рекомендую не использовать метод проб и ошибок, потому что высока вероятность того, что вы потеряете огромное количество времени, ожидая окончания тренировок. Есть несколько простых, но полезных методов, чтобы избежать этого: например, я предлагаю вам попробовать с самой мощной конфигурацией, которую вы можете, и без регуляризации, чтобы увидеть, сможет ли долгое обучение создать модель, которая, по крайней мере, превышает ваш набор данных. и хорошо работает с этим. Если это не сработает, значит ваша сеть недостаточно глубокая / большая, и вы должны над этим поработать.
По моему личному опыту, я обнаружил, что предварительная обработка изображения менее полезна, чем я ожидал, особенно при использовании трансферного обучения.
