原

目標檢測:SSD的數據增強算法

2018年07月13日 21:28:44 Alpha-AI 閱讀數 3387

                    版權聲明：本文為博主原創文章，未經博主允許不得轉載。                        https://blog.csdn.net/zbzb1000/article/details/81037852                    </div>
                                                <link rel="stylesheet" href="https://csdnimg.cn/release/phoenix/template/css/ck_htmledit_views-cd6c485e8b.css">
                                    <div id="content_views" class="markdown_views">
                <!-- flowchart 箭頭圖標 勿刪 -->
                <svg xmlns="http://www.w3.org/2000/svg" style="display: none;">
                    <path stroke-linecap="round" d="M5,0 0,2.5 5,5z" id="raphael-marker-block" style="-webkit-tap-highlight-color: rgba(0, 0, 0, 0);"></path>
                </svg>
                                        <h1 id="ssd的數據增強算法"><a name="t0"></a>SSD的數據增強算法</h1>

代碼地址

https://github.com/weiliu89/caffe/tree/ssd

論文地址

https://arxiv.org/abs/1512.02325

數據增強：

SSD數據增強有兩種新方法：（1）expand ，左圖（2）batch_sampler，右圖

expand_param {
      prob: 0.5 //expand發生的概率
      max_expand_ratio: 4 //expand的擴大倍數
    }
      
      
     
     
             

     
     
    
    
            

expand是指對圖像進行縮小，圖像的其余區域補0，下圖是expand的方法。個人認為這樣做的目的是在數據處理階段增加多尺度的信息。大object通過expand方法的處理可以變成小尺度的物體訓練。提高ssd對尺度的泛化性。

annotated_data_param {//以下有7個batch_sampler
    batch_sampler {
      max_sample: 1
      max_trials: 1
    }
    batch_sampler {
      sampler {
        min_scale: 0.3
        max_scale: 1
        min_aspect_ratio: 0.5
        max_aspect_ratio: 2
      }
      sample_constraint {
        min_jaccard_overlap: 0.1
      }
      max_sample: 1
      max_trials: 50
    }
    batch_sampler {
      sampler {
        min_scale: 0.3
        max_scale: 1
        min_aspect_ratio: 0.5
        max_aspect_ratio: 2
      }
      sample_constraint {
        min_jaccard_overlap: 0.3
      }
      max_sample: 1
      max_trials: 50
    }
    batch_sampler {
      sampler {
        min_scale: 0.3
        max_scale: 1
        min_aspect_ratio: 0.5
        max_aspect_ratio: 2
      }
      sample_constraint {
        min_jaccard_overlap: 0.5
      }
      max_sample: 1
      max_trials: 50
    }
    batch_sampler {
      sampler {
        min_scale: 0.3
        max_scale: 1
        min_aspect_ratio: 0.5
        max_aspect_ratio: 2
      }
      sample_constraint {
        min_jaccard_overlap: 0.7
      }
      max_sample: 1
      max_trials: 50
    }
    batch_sampler {
      sampler {
        min_scale: 0.3
        max_scale: 1
        min_aspect_ratio: 0.5
        max_aspect_ratio: 2
      }
      sample_constraint {
        min_jaccard_overlap: 0.9
      }
      max_sample: 1
      max_trials: 50
    }
    batch_sampler {
      sampler {
        min_scale: 0.3
        max_scale: 1
        min_aspect_ratio: 0.5
        max_aspect_ratio: 2
      }
      sample_constraint {
        max_jaccard_overlap: 1
      }
      max_sample: 1
      max_trials: 50
    }
      
      
     
     
             

     
     
    
    
            

batch_sampler是對圖像選取一個滿足限制條件的區域（注意這個區域是隨機抓取的）。限制條件就是抓取的patch和GT（Ground Truth）的IOU的值。

步驟是：先在區間[min_scale,max_sacle]內隨機生成一個值，這個值作為patch的高Height，然后在[min_aspect_ratio,max_aspect_ratio]范圍內生成ratio，從而得到patch的Width。到此為止patch的寬和高隨機得到，然后在圖像中進行一次patch，要求滿足與GT的最小IOU是0.9，也就是IOU>=0.9。如果隨機patch滿足這個條件，那么張圖會被resize到300*300（在SSD300*300中）送進網絡訓練。如下圖。

    batch_sampler {
      sampler {
        min_scale: 0.3
        max_scale: 1
        min_aspect_ratio: 0.5
        max_aspect_ratio: 2
      }
      sample_constraint {
        min_jaccard_overlap: 0.9
      }
      max_sample: 1
      max_trials: 50
    }
      
      
     
     
             

     
     
    
    
            

附

上面的內容是通過jupyter notebook可視化得到的。並沒有詳細看SSD的transform_data的代碼。如果有錯誤的地方，希望大家在評論處批評指正。