AI开发平台ModelArtsAI开发平台ModelArts

更新时间:2021/08/06 GMT+08:00
分享

物体检测模型的分类误差分析以及解决方法

问题描述

在物体检测的模型评估阶段,目标检测的假阳性(误检分析)以及假阴性(漏检分析)是比较重要的一环。

  • 在假阳性分析方面,类别误差主要表现在类别误检率。
  • 在假阴性分析方面,类别误差主要表现在类别漏检概率。

ModelArts中对应的模型评估结果展示为:

图1 模型评估结果

上图展示的是对检测的推理结果进行的分析举例,其中图a表示的是假阳性(误检方面)的位置偏差,类别误检以及背景误检的分析,图b表示的是假阴性(漏检方面)的位置偏差,类别漏检以及背景漏检的分析。

从上图示例中可以看出,在误检以及漏检分析方面,类别误差占比比较大。建议参考如下相关算法和技术说明,了解如何降低类别误差的概率,提升模型推理的准确度。

解决方法

Multi scale是目标检测中常用的一种数据处理方式,您可以在自己的模型中自行定义multi scale的储存大小。一般在模型训练时,建议每隔固定训练步数做一次scale,保证单个epoch训练中的图像 multi scale输入。具体multi scale的训练过程如下所示:

图2 MultiScale训练过程

实验验证

在摄像头类型识别的数据集上面进行验证,该数据集总共有14类别,分别代表14种不同的摄像头,使用multi scale之前和之后在误检分析(假阳性)的对比情况,可以看出,使用multi scale之后,类别误检得到比较大的改善。

图3 使用multi scale之后的误检分析对比

下面是使用multi scale之前和之后在漏检分析(假阴性)的对比情况,可以看出,使用multi scale之后,类别漏检得到比较大的改善。

图4 使用multi scale之后的漏检分析对比

用户建议

在模型推理结果中,如果类别误差占比比较大,推荐在训练的时候,使用multi scale进行模型的训练优化。

分享:

    相关文档

    相关产品