再續昨天！今天的筆記把論文剩餘的部分整理完

Hard negative mining 難例挖掘

• 由於存在大量的負樣本，所以導致嚴重的類別不平衡問題，訓練時難以收斂
• 解決方法：
  • 對負樣本根據 confidence loss（也就是分類損失）排序，選取損失最高的一部分保留 (也就是最不像目標的那些)
  • 使得負樣本和正樣本的比例保持在 3:1，此論文使用這個比例獲得了穩定的訓練性能，並加快了優化速度

Data augmentation 數據增強

• 為了使模型對於不同尺寸和長寬比的目標更加具有穩定性，使用了數據增強（或稱數據擴增）
• 每張訓練圖像隨機進行以下操作：
  1. 使用原圖
  2. 在原圖上採樣一個片段（patch），這些 patch 與目標的最小Jaccard overlap 為 0.1, 0.3, 0.5, 0.7, 0.9
  3. 隨機採樣一個 patch

Model analysis 模型分析

• Data augmentation is crucial：數據擴充至關重要，論文中使用的數據擴增的方式對預測精度的提升特別明顯
• More default box shapes is better：更多樣性化的 default box 會產生更好的結果
• Atrous is faster：使用空洞卷積運行的更快
• Multiple output layers at different resolutions is better：多個不同分辨率的輸出層更好

參考資料

• https://arxiv.org/pdf/1512.02325.pdf
• https://medium.com/ching-i/single-shot-multibox-detector-ssd-%E8%AB%96%E6%96%87%E9%96%B1%E8%AE%80-1f2cc7a452e0