南飞的雁

  • 0

    获得赞
  • 0

    发布的文章
  • 0

    答辩的项目

北京垃圾分类识别-答辩

Batch大小为64,循环次数为18次,通过在线上环境完成训练,模型最优精度评分为86.67。

最后更新 2020/06/18 17:02 阅读 2175

北京垃圾分类识别

最后更新 2020/06/18 17:02

阅读 2175

ResNet

第一部分:

 Ø  数据了解与分析 

  •  ①   类别种类(214) 
  •  ②   各类别占比 
  •  ③   图片尺寸(w:h, size)将图片裁剪为256×256大小的切片(先做resize,再随机裁剪); 
  •  ④   计算样本的均值和方差(归一化处理)
  •  ⑤   是否存在错误标注
  •  ⑥   是否能找与样本类似的数据集

Ø  数据增广与筛选

 ①     基本增广策略(翻转;亮度、饱和度、对比度调整;resize+随机裁剪) 

 ②     试验其它合适的增广策略(需进行可视化分析,以获取合适的参数调整范围)比如:随机擦除、锐化等

Ø  模型选择与选用 

  •  ①   ResNeSt101 
  •  ②   EfficientNet6
  •  ③   HRNet 
  •  ④   … 

 ResNeSt101:在group level上做attention的block(Split-Attentionblock),有利于feature map的多样性,这种模块stack成的网络(ResNeSt)保持ResNet的风格。 

 EfficientNet:网络深度、网络宽度、图像分辨率。 

 HRNet:一种用于高分辨率表征的、比较新颖的网络。  

 Ø  模型训练相关 

 ①    训练集/验证集:0.9/0.1

 ②    标签平滑的交叉熵代价函数

 ③    SGD - Poly Learning Rate Policy

 ④    没有采用模型融合策略

第二部分:比赛总结

比赛过程中,主要有如下体会: 

 ①   针对某特定数据集或任务,模型以及相关的参数不变时,不是所有的数据增广策略都对模型性能提升起作用,原因可能是测试集跟数据增广的结果差异较大,模型自身的性能有限等因素有关。当然一些基本的增广策略还是比较稳健的,比如翻转、亮度对比度饱和度的微调。 

 ②   注意尺度的问题,EfficientNet的论文对图像尺度、网络的深度、宽度有着详细规律的总结,其中图像的尺度这一因素不可忽视,所以训练前需要充分了解数据的特征。

 ③   多尝试,是必要的,伴随网络中不少的随机性因素,比如随机裁剪等,有时候,一个好的分数也是有运气的成分,当然提升可能也不会太大哈。

本文为作者在FlyAI平台发布的原创内容,采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可,转载请附上原文出处链接和本声明。
本文链接地址:https://flyai.com/n/137915
立即参加 北京垃圾分类识别
代码展示

ResNet

选择查看文件
$vue{codeKeys}
  • $vue{ix}
赞赏贡献者还可以查看和下载优质代码内容哦!
赞赏 ¥36.12元
©以上内容仅用于在FlyAI平台交流学习,禁止转载、商用;违者将依法追究法律责任。
讨论
500字
表情
每日优质讨论奖励 20FAI
发送
每日优质讨论奖励 20FAI
删除确认
是否删除该条评论?
取消 删除
感谢您的关注
该篇内容公开后我们将会给你推送公开通知
好的
发布成功!
您的公开申请已发送至后台审核,
通过后将公开展示本详情页!
知道了
向贡献者赞赏
¥36.12
微信支付
支付宝

请先绑定您的微信账号 点击立即绑定

立即支付
温馨提示:
支付成功后不支持申请退款,请理性消费;
支付成功将自动解锁当前页面代码内容,付款前请确认账号信息。
微信扫码支付
请前往Web网页进行支付

敬请谅解,如有疑问请联系FlyAI客服

知道了
举报
请选择举报理由
确定
提示
确定要删除?
取消删除

今日签到成功

获得 $vue{sianData.sign_fai} FAI的GPU算力积分

知道了