我正在训练一个模型以检测夜空图片中的流星，并且我有一个非常小的数据集，其中包含约85张图像，并且每张图像都带有一个边框。我正在使用从ssd_mobilenet_v1_coco_11_06_2017检查点和Tensorflow 1.4开始的转移学习技术。我正在训练期间将图像调整为600x600像素。我在流水线配置中使用数据增强功能，可水平，垂直地随机翻转图像并旋转90度。在经过5000步之后，该模型收敛到大约0.3的损失，并将检测到流星，但是流星在图像中的位置似乎很重要。我是否必须通过给出每个可能位置的示例来训练模型？我已附加了一个检测运行的样本，在该样本中，我在整个图像上平铺了一颗流星，并获得了各种检测级别（过滤为50％）。我该如何改善呢？detected meteors in image example
最佳答案
很有可能是您的数据，我认为您正在通过提高数据集的异构性来谨慎行事，但也可能是您选择的模型。
值得注意的是，相对于TensorFlow对象检测API model zoo中的其他模型，ssd_mobilenet_v1_coco的COCO mAP最低。您并不是要检测COCO对象，但是对于通用模型的准确性，mAP编号是合理的替代。
在最高级别上，模型的选择主要是在速度/准确性之间进行权衡。您选择的模型ssd_mobilenet_v1_coco偏向于速度而非准确性。因此，我建议您先尝试使用Faster RCNN模型之一（例如，faster_rcnn_inception_v2_coco），然后再花费大量时间对图像进行预处理。
关于tensorflow - Tensorflow对象检测:为什么使用ssd mobilnet v1时图像中的位置会影响检测精度？，我们在Stack Overflow上找到一个类似的问题：https://stackoverflow.com/questions/50045274/