Week 19 - 2020-07-26

[JinhangZhu]

计划

• [x] 完成第二阶段的设计和比较（Prototype）

• [x] 寻求至少一个创新点（数据，网络，模型）

非计划内

• [x] 加入softNMS算法

[JinhangZhu]

寻求至少一个创新点，我目前找到的创新点并不是设计一个新的算法或者结构，而是将可能有用的tricks运用到当前模型算法中。

[JinhangZhu]

总结了当前的工作进展，大概有个思路来继续实验，但是发现自己做的实在是太少了，coding效率很低。

完成了计划外的softNMS，也是突然想起了它的意义，不过目前的效果可能牵强，需要用softNMS配合比较低的confidence threshold 来限保证最少数量和识别出所有的手。为什么要加上额外的小阈值限制呢？因为默认的confidence threshold比较高(0.3)，目前我的模型训练完全不够(4/299)，在测试图片上的confidence很低，如果confidence threshold不改小，第一下confidence thresholding就直接把confidence较小但是实际存在的bbox给去掉。另外，我也设置了SoftNMS IoU threshold，区分于HardNMS IoU threshold，便于以后参数调整。

https://github.com/JinhangZhu/project-diary/commit/53d796ebae543e880d4a3e88a9a8105920eeea4c 测试效果：

!python detect.py --cfg cfg/yolov3-hand-anchors.cfg --names data/ego-hand.names --source data/samples/0000003541.jpg --output output/softnms --weights weights/yolov3-egohand-epoch4.pt --save-txt --soft-nms --soft-thres 0.6 --conf-thres 0.05

[JinhangZhu]

所以下一步暂时放下softNMS，也当作prototype，开始设计传统算法部分，完成所有的prototyp就可以grow dataset。

[JinhangZhu]

• 第二阶段的比较，不是单独比较的，而是和第一阶段级联成完成pipeline之后测试的。

• 用什么方法测试？测试集和视频。

• 在哪里测试？必须用标准的GPU，单个GPU，单节点，Tesla P100-PCIE-16GB。在自己电脑的CPU测试个一张图片上没啥区别，得看多次重复实验的效果。