CNN对象检测和水印图像训练，它会起作用吗？

Posted 2021-04-12

我想知道，如果使用水印图像（水印1.under the image或2.over it或3.diffused）训练像NOLO这样的CNN用于大熊猫的物体检测任务，那么在针对非水印图像进行测试时，是否会显着影响模型的准确性。

此外，更具体地说，如果水印在图像中，但在我想要检测的对象区域之外（例如1或最终3），这将如何影响最终结果？

谢谢

答案

YOLO可能会解决噪音问题，但它仍然不是你能做的最好的数据集。为了更好的准确性，我建议您使用YoloV3-SPP（空间金字塔池）模型。你可以使用这个流行的回购https://github.com/AlexeyAB/darknet的SPP模型。

在darknet/cfg/yolov3-spp.cfg，您可以看到SPP块添加：

### SPP ### 
 [maxpool] 
 stride=1 
 size=5 

 [route] 
 layers=-2 

 [maxpool] 
 stride=1 
 size=9 

 [route] 
 layers=-4 

 [maxpool] 
 stride=1 
 size=13 

 [route] 
 layers=-1,-3,-5,-6 

 ### End SPP ### 

SPP在卷积层中使用下采样（stride = 2）+对同一图像使用3个不同大小的最大池，并在Max-Pooling层中获得最佳功能。我认为通过添加Max pooling图层，它只会从图像中选择最大值和重要特征来减少图像中的一些噪音。

另一答案

根据经验，我会说YOLO应该能够处理这种噪音。审理你的案件：

1. 这应该不是问题。一些训练程序实际上包括黑白图像边框以实现正确的分辨率而不拉伸图像。
2. 如果水印掩盖了重要的特征，这可能是一个问题，或者如果水印的一部分在训练期间与一个班级相关联则更糟。

如果水印位于对象区域之外：YOLO具有在图像上学习上下文的能力，但只要您坚持预训练模型就应该没问题。