目标检测tricks:Bag of Freebies for Training Object Detection Neural Networks_bag of tricks for efficient object detection

Bag of Freebies for Training Object Detection Neural Networks

摘要

与大量为了得到更好的图像分类模型的研究相比，研究人员在目标检测训练上的研究会由于它的普遍性与普及性的影响少得多。由于复杂多的网络结果，优化目标，许多训练阶段与pipline是专门为检测算法设计的，别的并不通用。本文中，我们研究通用的模型微调技巧，使得在不牺牲inference速度的前提下，增强state of the art目标检测模型的表现到一个新的水平。我们的实验展示出这些技巧最多可以直接提升5%的准确率，大家都应该考虑将这些方法一定程度应用在目标检测训练上。

Tricks：
1、Mixup 数据增强
2、Classification Head Label Smoothing
3、数据预处理
4、learning rate 设置------warm up + Cosine schedule
5、 Synchronized Batch Normalization
6、单阶段目标检测，采用random shape 的训练方式

Mixup 数据增强
该方法借鉴于图像分类的数据增广论文mixup: Beyond empirical risk minimization》(ICLR 2018)。mixup是指将2张输入图像按照一定权重合并成一张图像，基于这种合成图像进行训练的模型更加鲁棒，能够有效降低对抗图像的影响。
在图像分类中，mixup进行数据增强的方式如下图所示：