负样本生成的问题

[webnoise]

gen_12net_data.py 文件中 “if np.max(Iou) < 0.3:” 就是负样本，但是这个判断某些情况下我认为是有问题的，例如随机生成的crop_box的面积大于最大单个人脸面积的3.3倍时，这个判断条件会满足，我认为这个这个负样本包含有完整的人脸，不是有效的负样本。你怎么看待这种情况？我觉得要解决这个问题，应该限制crop_box的面积大小或者判断overlap部分与人脸box的重合比例也要 < 0.3？

通过如下代码实际测试中包括大量含有完整人脸的负样本

--- a/prepare_data/gen_12net_data.py
+++ b/prepare_data/gen_12net_data.py
@@ -50,7 +50,7 @@ for annotation in annotations:

     neg_num = 0
     #1---->50
-    while neg_num < 50:
+    while neg_num < 2:
         #neg_num's size [40,min(width, height) / 2],min_size:40 
         size = npr.randint(12, min(width, height) / 2)
         #top_left
@@ -59,9 +59,16 @@ for annotation in annotations:
         #random crop
         crop_box = np.array([nx, ny, nx + size, ny + size])
         #cal iou
+        print ("boxes:", boxes)
         Iou = IoU(crop_box, boxes)
+        print ("Iou:", Iou)

         cropped_im = img[ny : ny + size, nx : nx + size, :]
+        
+        cv2.imshow("true" if max(Iou) < 0.3 else "false",cropped_im)
+        key = cv2.waitKey(0)
+        if key & 0xFF == ord('q'):
+            sys.exit(0)
         resized_im = cv2.resize(cropped_im, (12, 12), interpolation=cv2.INTER_LINEAR)

         if np.max(Iou) < 0.3:

[webnoise]

同样part部分似乎也有一些问题，也存在完整人脸的情况

[boanz]

@webnoise 确实会存在完整人脸，但是完整人脸与crop_box的比例小于0.3。对于负样本的定义，没有说一定不能含有人脸，只要满足背景占大比例，对训练影响不大即可。当然，如果你可以产生完全不含人脸的负样本，也是可以的。

[AITTSMD]

@webnoise @boanz 不要意思，回复晚了。在对训练数据采样的过程中，一张图片中有多个人，但只标注了少数几个明显的目标，背景存在密集人群。这样crop的话，可能会采集到一些包含人脸的负样本，这只能靠人眼去筛选了。

[webnoise]

如果真想快一点剔除掉这些负样本，可以用你训练出来的模型，对负样本resize前的图片批处理做一次人脸检测，然后删除这些含有人脸的负样本，然后再重新用这些负样重新来训练。

[homedawn]

当我做训练的时候，pNet中neg：part：pos：landmark=3:1:1:2，但是RNet和和ONet训练样本比例并没有约束在3:1:1:2，这是否影响到模型训练出来误检率大的原因

[Baishi03]

麻烦问一下，为什么生成的RNet训练样本中，负样本占了绝大多数，而正样本和part都非常少？这个问题出现的原因可能在哪里呢？

[homedawn]

生成RNet的训练样本是基于PNet网络检测的，可能PNet网络检测效果不好 

[Baishi03]

@homedawn emmmm我neg=75w，pos=69，part=800， 我是用paddlepaddle，然后我也比对过github中的其他pnet代码，感觉和我的也没什么不一样，为啥出来结果就这样了。。。。PNet中要注意哪些地方多一些呢？

[homedawn]

我没用过paddlepaddle，你用不一样的库效果肯定会有差别 

[LHyang9527]

@webnoise @boanz 不要意思，回复晚了。在对训练数据采样的过程中，一张图片中有多个人，但只标注了少数几个明显的目标，背景存在密集人群。这样crop的话，可能会采集到一些包含人脸的负样本，这只能靠人眼去筛选了。

@AITTSMD 可以通过降低0.3这个阈值来解决问题吗，会有什么别的影响吗，没看到这个问题下面有人讲到降低阈值

[LHyang9527]

@webnoise 确实会存在完整人脸，但是完整人脸与crop_box的比例小于0.3。对于负样本的定义，没有说一定不能含有人脸，只要满足背景占大比例，对训练影响不大即可。当然，如果你可以产生完全不含人脸的负样本，也是可以的。

@boanz 1、如果负样本里可以含有人脸，人脸就是要检测的正样本，你的意思就是负样本里可以包含正样本？ 2、那到底完全不含人脸的效果好，还是含人脸有背景的效果好？