在线观看免费欧美日韩,男子厕所偷拍他人隐私被抓,午夜精品久久久久久99热漫画,中文字幕二区av人妻少妇,亚洲一级无码片一区二区三区,少妇性色午夜淫片aaa播放5,日韩精品一区二区三区中文9,国产乱码一区二区三区日韩,亚洲欧美日韩中文在线

10月11日至10月17日，2021國際計算機視覺大會International Conference on Computer Vision （ICCV）于線上拉開序幕。此次會議，深蘭科技DeepBlueAI團隊共參加2項比賽4個賽道，分別在VisDrone Object Detection，VisDroneMot，Large-AI-Food三個賽道獲得冠軍。VisDrone 已成為無人機領域標桿數據集，且業界多篇論文在此數據集基礎上研究發表。

本次無人機挑戰賽吸引來自全球多家知名團隊參與角逐，其中不乏多所高校與頂級技術團隊，包括清華大學、中科院計算所、北京郵電大學、騰訊、谷歌等上百支知名團隊參賽。以下主要分享在無人機挑戰賽中兩個賽道的方案解讀。



冠軍方案解讀


本次挑戰賽深蘭團隊包攬兩個賽道的冠軍：

●任務1：圖像中的目標檢測。任務旨在從無人機拍攝的單個圖像中檢測預定義類別的對象（例如，汽車和行人）；

●任務 2：多目標跟蹤挑戰。該任務旨在恢復每個視頻幀中對象的軌跡。

VisDrone Object Detection 方案解讀

挑戰賽官網地址：http://aiskyeye.com/

VisDrone數據集由天津大學機器學習與數據挖掘實驗室 AISKYEYE 隊伍負責收集，全部基準數據集由無人機捕獲，包括 288 個視頻片段，總共包括 261908 幀和 10209 個靜態圖像。

這些幀由 260 多萬個常用目標（如行人、汽車、自行車和三輪車）的手動標注框組成。為了讓參賽隊伍能夠更有效地利用數據，數據集還提供了場景可見性、對象類別和遮擋等重要屬性。

VisDrone Object Detection 賽道獲獎證書


據DeepBlueAI團隊介紹，雖然該比賽已舉辦多屆，仍然存在以下幾個難點：
1. 大量的檢測物體
2. 部分目標過小
3. 不同的數據分布
4. 目標遮擋嚴重


數據分布


遮擋數據量統計

針對數據集難點，DeepBlueAI團隊設計了一套強有力的數據增強方式和pipeline。

數據處理


1、數據平衡



上圖為每一類數據在訓練集中的數量(舉例：6471張訓練集中，有1150張包含awining-tricycle這個類)，將每一類圖片數量小于4000張的，通過隨機加噪聲、改變亮度、cutout等方式擴充為4000張，以緩解類別不平衡的問題。
 
2、中心裁剪

用中心裁剪的方式，隨機在原圖上裁剪320~960大小的區域，然后把它們resize為相近的尺度，以緩解目標尺度不一致的問題。上面第一行是在原圖中切了960×960大小，第二行是切了320×320大小，把它們resize到同一個尺度(如640×640)，相當于達到了小目標放大、大目標縮小的目的。并且對于邊界目標是全保留的策略。

3、馬賽克增強



馬賽克數據增強將4張訓練圖像按一定比例組合成1張，豐富了檢測數據集， 增加了很多小目標。Mosaic是YOLOv4中引入的第一個新的數據增強技術。這使得模型能夠學習如何識別比正常尺寸小的物體。它還鼓勵模型在框架的不同部分定位不同類型的圖像。通過縮放，以及一次計算4 張圖片，充分利用了 GPU 資源，使得 batch_size 不用很大就能達到很好的效果。

消融實驗：數據處理帶來了很大的收益



PipeLine


Swin-Transformer+ CBNet + Cascade RCNN + DCN + FPN





Cbnetv2體系結構將多個相同的主干網分組，這些主干網通過復合連接進行連接，可以在不增加額外成本的情況下獲得良好的效果。

Swin-Trainsformer作為計算機視覺領域的強有力的backbone之一，扮演著越來越重要的角色。當DeepBlueAI團隊用swin-Transformer系列替換主干時，線上結果得到了極大的改善。

后處理


1）soft nms + WBF，根據預測的score分段集成的，大于等于0.1用WBF，小于0.1用soft_nms。目的是既可以提高高分框的定位精度，增加召回從而提升mAP；
2）模型集成，使用不同backbone以及pipeline訓練。

消融實驗結果
 


本文針對Visdrone挑戰賽設計了一套解決方案包括數據處理，檢測器和軌跡后處理，DeepBlueAI團隊表示：“很榮幸在Visdrone 2021取得第一名的成績”。同時團隊也在多目標跟蹤賽道取得了不錯的成績，接下來會介紹MOT相關技術內容。
 

VisDrone MOT 方案解讀


VisDrone Mot 賽道獲獎證書


Pipeline


對于同一挑戰賽的MOT賽道，DeepBlueAI團隊也總結了相關難點并設計出一套相關的pipeline。

 
本次采用的多目標跟蹤系統是DeepBlueAI團隊長時間以來總結的一套比較好的pipeline，在競賽中多次取得不錯的成績，基于Detection和Embedding分離的方法，團隊采用了以GeneralizedFocal Loss(GFL)為損失的anchor-free檢測器，并以MultipleGranularity Network (MGN)作為Embedding模型。在關聯過程中，DeepBlueAI團隊借鑒了DeepSORT和FairMOT的思想，構建了一個簡單的在線多目標跟蹤器。
 
Detector



對于檢測器DeepBlueAI團隊使用了GFLDetector、Generalized Focal Loss(GFL)，更具體的來說，GFL可以分成QualityFocal Loss(QFL)以及Distribution Focal Loss(DFL)。

QFL專注于asparse set of hard examples，同時在相應的類別上產生它們的連續0~1之間的localizationquality estimation；DFL使網絡能夠在任意和靈活的分布下，學習bounding boxes在連續位置上的概率值。
 
Embedding


MGN把全局和局部的特征結合在一起，能夠有豐富的信息和細節去表征輸入圖片的完整情況。在觀察中發現，確實是隨著分割粒度的增加，模型能夠學到更詳細的細節信息,全局特征跟多粒度局部特征結合在一起，思路比較簡單，全局特征負責整體的宏觀上大家共有的特征的提取，然后把圖像切分成不同塊，每一塊不同粒度，它去負責不同層次或者不同級別特征的提取。
 
Data Association


DeepBlueAI團隊借鑒了DeepSORT和FairMOT的想法，以檢測框的表觀距離為主，以檢測框的空間距離為輔。首先，根據第一幀中的檢測框初始化多個軌跡。在隨后的幀中，團隊根據embedding features之間的距離（最大距離限制為0.7），來將檢測框和已有的軌跡做關聯。與FairMOT一致，每一幀都會通過指數加權平均更新跟蹤器的特征，以應對特征變化的問題。對于未匹配的激活軌跡和檢測框通過他們的IOU距離關聯起來（閾值為0.8）。最后，對于失活但未完全跟丟的軌跡和檢測框也是由它們的IoU距離關聯的(閾值為0.8)。
 
Post Process


由于只有較高的置信度的檢測框進行跟蹤，因此存在大量假陰性的檢測框，導致MOTA性能低下。為了減少置信閾值的影響，DeepBlueAI團隊嘗試了兩種簡單的插值方法。

1) 對總丟失幀不超過20的軌跡進行線性插值。我們稱之為簡單插值（simple interpolation, SI）。

2)對每一個軌跡只在丟失不超過4幀的幀之間插入。另外，DeepBlueAI團隊稱之為片段插值（fragment interpolation,FI）。
 
Result

 
 
Conclusion

DeepBlueAI團隊設計了一個簡單、在線的多目標跟蹤系統，包括檢測器、特征提取、數據關聯和軌跡后處理，最終在VisDrone 2021 MOT賽道斬獲冠軍。