广东工业智造大赛--赛场一 布匹瑕疵检测

##这是我第一次参加天池的大赛，半决赛的代码开源在了final_commit文件夹 ##里面包含了填鸭的代码，第一版的填鸭，计算了patch块的相似度。第二版的我们对小目标（1-4）类的随机3-5倍的放大。 ##半决赛的Rank：34/100 ##线下的map：60%左右，线上的map：40%左右。 ##总结一下：1.特征工程 2.选用模型 3.训练，调参 4.提交结果 ##开始做的时候，我们是先出了一个baseline的结果，开始我是自己一个人玩，直接上faster-rcnn-r101 map：26% 有点沮丧 ##毕竟这时候还在忙着写（水）论文，后来论坛里 开源了一个cascade-rcnn-r50的模型。初赛52%map。 ##根据这个baseline，我换了backbone r101 居然：54%map，嘻嘻...这里直接就进了60多。

点1：anchor的设计非常重要，mmdetection的默认[0.5,1,2]一般来说很难符合数据的特性，所以这里是提分的点子

点2：fpn层 dcn （槽点，太吃显存，因为要用很多的offsets）

点3：OHEM 在线困难样本的发掘

点4：soft-nms 提分不多，大概一个点左右（大概率是0.几%哈~）

点5：TTA 老版本的mmdet没有TTA 多尺度测试，新版的有

点6：填鸭，对于正常样本的利用。这里其实跟我写论文里的东西有点像，来自小样本增强的那篇论文，但是有个问题就是

容易引入结构化的噪声，这里需要计算 patch的块的相似度---于是乎（度娘了一下），用了现成的

点7： GN+ws

点8： rpn 调参

#一些试过但是没有用的

打算切图做的，cascade-r50对512*512的图像来测试，对于1-4好像有点效果，可能是可视化的错觉把

分类的模型，这时候就做的比较晚，用了 20层的 只有40多的acc

还没有尝试的

GIOU loss

GMloos GMHRLoss

Focal loss

mixup、smooth label

余弦退火学习率衰减

定制化的框架（可能是我没有仔细阅读过mmdet的源码）

其实需要魔改框架的，加入一些对小目标增强的结构

爆显存

参考上传的 transform.py 替换 mmdet的同名文件

This my first time participate in TianChi challenge!

first TestB Rank：85/2714

Install

fellow the mmdetection install.md

Data format

In my experiment COCO,VOC changed by yourself!

COCO pretrained model transfer

the transfer code in check points num_class should modified your class

notice!!! scale and ratios changed,I use a simple cat method for suitable model struct param avoid parameters initialize problem!

Training

python3 configs/cascade_rcnn_r101_fpn_1x_with_coco.py --gpus 1 work_dir XXXXXX(your path to save model and train log)

Test

python3 cascade_rcnn_r101_fpn_1x_test_coco.py