做了一年的图像识别开发，我的小思考

Posted 2021-04-07 中为总体人分享汇

时光飞逝，转眼间我来到总体室工作快要一年了，在这一年里我收获了很多。其中对于图像识别开发业务方面，我大体有了一些了解，接下来详细说说自己的一些想法。

目前，视觉算法的开发大多采用深度学习的方式，但深度学习算法作为新晋流行的识别方法，其还属于弱人工智能阶段，有很大的局限性，比如它只能局部泛化，如果新的输入与训练时看到的不同，那么深度网络所执行的从输入到输出的映射就会变得很差。而对于一个实际项目，其包含了多样的任务需求，作为一个开发人员，既需要思考目前深度学习技术的水平，又需要考虑自己的实际情况，以此去选择自己可以解决的问题。比如遥感影像中小目标的识别，以自己目前水平很难达到好的识别效果，而有些任务是自己可以尝试去解决的，比如遥感影像中建筑物的识别。

定性选择模型类别

1

当选择了某项任务之后，就需要去定性到底是采用深度学习中目标检测类模型，还是语义分割类模型。语义分割模型从本质上讲是对像素进行分类，与目标检测相比难度要小一些，但它依赖于更加细致的像素级标注。一般具有连续性的物体适合利用语义分割模型，单个独立的个体适合利用目标检测模型。

选择具体模型

2

当决定了采用哪类模型，接下来要去选择的是哪个具体的模型。模型到底是选择新的还是选择旧的，也是需要抉择的一点。新模型往往具有更高的识别效果，但未经过时间的检验，而且一旦遇到bug很难去借鉴别人的解决方法，旧模型效果相对一般，但应用风险较小一些。

调整模型的不同模块

3

当决定了采用哪个具体的模型，就需要根据实际的应用，去调整模型的不同模块。比如选择怎么样的骨干网络，如果项目对识别效果要求较高，可以采用较深的骨干网络，如果对实时性要求较高，可以采用较浅的骨干网络。还有针对Loss损失函数的选择，包括交叉熵，focal loss，iou loss，Diou loss等。另外如果数据量较少，还需要考虑去扩展模型的图像增强模块，这也是一种简单粗暴且可以实现提高模型效果的方式。

模型部署

4

当算法开发完成之后，就需要考虑模型的具体部署。因为目前深度学习模型大多都是在python平台下开发完成的，而软件组部署的时候是c++平台，这时候就需要利用pytorch或者tensorflow等框架提供的c接口对模型进行转换。此外，因为有的模型存在前处理和后处理的情况，而这些代码都是python写的，这个时候需要考虑自己去写相应的c++代码，还是去混合编程调用python代码。

以上梳理了下自己对于深度学习图像识别开发工作的一些想法。我认识到自己作为新人，接下来还有很多的东西需要去学习，还有很多的地方需要去改进，努力去提升自己的工作能力依旧是重中之重。