如何在小规模数据集上从头开始训练一个鲁棒的目标检测器 | 学术青年分享会

摘要: 沈志强,复旦大学Ph.D,UIUC ECE系访问学者,导师Thomas S. Huang教授。

11-08 06:33 首页 AI研习社


分享背景


目标检测作为一个基础的计算机视觉任务在自动驾驶、视频监控等领域拥有非常广泛的应用前景。目前主流的目标检测方法都严重依赖于在大规模数据集(如ImageNet)上预训练初始模型。而本文(ICCV2017)通过分析深度检测模型从头训练存在的问题,提出了四个training from scratch的原则,根据这些原则构建了DSOD模型,该模型在三个标准的数据集(PASCAL VOC 07, 12和COCO)上都达到了目前state-of-the-art的性能。


DSOD: Learning Deeply Supervised Object Detectors from Scratch


https://arxiv.org/abs/1708.01241


这是目前已知的第一篇在完全脱离ImageNet pre-train模型的情况下使用deep model在有限的训练数据前提下能做到state-of-the-art performance的工作,同时模型参数相比其他方法也要小很多,其中最小的一个模型参数只有5.9M,在VOC 2007 test set上可以达到73.6mAP,代码和模型都已经开源。



分享主题

DSOD: Learning Deeply Supervised Object Detectors from Scratch 

如何在小规模数据集上从头开始训练一个鲁棒的目标检测器



分享人简介


沈志强,复旦大学Ph.D,UIUC ECE系访问学者,导师Thomas S. Huang教授。研究兴趣包括:计算机视觉(目标检测、视频描述、细粒度分类等),深度学习,机器学习等。他曾在因特尔中国研究院(Intel Labs China)进行为期一年的实习研究,期间合作者包括研究院Jianguo Li博士和在读博士生Zhuang Liu等。


分享时间


北京时间9月26日晚20:30 


参与方式


扫描海报二维码,在底部菜单点击「AI课程-公开课报名」



如果你觉得活动不错,欢迎点赞并转发本文~

                    


首页 - AI研习社 的更多文章: