为什么纸箱很难被发现？ [关闭]答案

【问题标题】：Why are carboard boxes hard to detect? [closed]为什么纸箱很难被发现？ [关闭]
【发布时间】：2019-10-18 18:06:18
【问题描述】：

我正在尝试训练神经网络如何检测纸板箱以及多类人（人）。

虽然检测人员并对其进行正确分类很容易，但检测纸板箱却非常困难。

盒子看起来像这样：

我怀疑盒子太简单了，神经网络很难检测到它，因为从对象中提取的特征太少。

数据集的划分如下：

personA: 1160
personB: 1651
personC: 2136
person: 1959
box: 2798

人们穿着不同的安全物品，根据物品的分类，被检测为整个人，而不仅仅是物品。

我尝试使用以下架构：

ssd300_incetpionv2
ssd512_inceptionv2
faster_rcnn_inceptionv2

所有这些都比盒子更好地检测和分类人。我无法提供准确的mAP（没有）。

我使用了来自 tensorflow model zoo 的相关 CoCo 模型。

任何想法为什么很难检测到盒子？

谢谢。

PS：我在data science stack exchange 上问过这个问题，但没有得到相关答案。

【问题讨论】：

这是一个研究问题，而不是编程问题。
@window.document 我相信 stackoverflow 的社区比数据科学更大，因为即使在这个问题上得到了赏金之后，我也没有得到正确的答案。你提到的答案根本没有回答我的问题
另外，您的问题是寻求想法而不是寻求帮助。包括mcve，而不仅仅是数据集和架构名称
也请不要cross post
请正确理解这一点：这是一个很好且有趣的问题，但绝对不适合 SO。上面的评论解释了原因。如果您提供 minimal reproducible example 可能会更适合 SO，但前提是存在特定问题，而不是需要整个研究

【解决方案1】：

您从一个在 COCO 上预训练的模型开始，该模型本身包括“人”类别，但不包括“盒子”类别，所以对我来说，盒子类别更难听起来很正常。
我不认为你的假设是正确的，因为 CNN 应该能够为简单对象和复杂对象提取正确的特征。

【讨论】：

你知道如何改进这些盒子的检测吗？我需要更多数据来存储盒子还是训练更长的时间？模型已经开始很快过拟合。
肯定添加带有框的图像实例会改善结果。还可以尝试查看检测输出，看看您是否可以发现网络行为方式中的一些模式。你说你得到了过度拟合，所以尝试对它实施一些措施（你在使用增强吗？）。
我正在对所有对象使用随机水平翻转，此功能包含在 tensorflow 对象检测 api 中，我没有在提到的架构中使用默认的 Dropout 层，如果我们在谈论数字，多少我需要更多注释吗？至少与其他类别的预训练模型一样多？
这个问题很难回答，因为没有多少理论基础。您应该尝试并为自己找到正确的道路。首先添加几百张带框的图像，看看会发生什么。玩弄网络架构。这个话题太宽泛，无法准确回答。