Tensorflow对象检测：使用ssd mobilnet v1时，为什么图像中的位置会影响检测准确度？

Question

我正在训练一个模型来检测夜空图片中的流星，我有一个相当小的数据集，大约有85个图像，每个图像都用一个边界框注释。我正在使用从ssd_mobilenet_v1_coco_11_06_2017检查点和Tensorflow 1.4开始的传输学习技术。我正在训练期间将图像调整为600x600像素。我正在管道配置中使用数据增强来水平，垂直和旋转90度随机翻转图像。经过5000步后，模型收敛到大约0.3的损失并将检测流星，但似乎重要的是流星所在的图像中的位置。我是否必须通过举例说明每个可能的位置来训练模型？我附上了一个检测运行样本，我在整个图像上平铺了一颗流星，并接收了不同级别的检测（过滤到50％）。我该如何改进？detected meteors in image example

Answer 1

很可能是您的数据，我认为您通过改善数据集的异构性做出了谨慎的举措，但它也可以是您选择的模型。

值得注意的是，相对于TensorFlow对象检测API model zoo中的其他模型，ssd_mobilenet_v1_coco具有最低的COCO mAP。您并没有尝试检测COCO对象，但mAP数字是通用模型准确性的合理近似值。

在最高级别，模型的选择主要是速度/准确度之间的权衡。您选择的模型ssd_mobilenet_v1_coco有利于速度超过准确性。因此，我建议您在花费大量时间预处理图像之前尝试其中一个更快的RCNN模型（例如，faster_rcnn_inception_v2_coco）。