难以置信的目标检测小妙招

随着深度学习技术的成熟，设计新的算法在主流的目标检测数据集比如COCO上提升精度已经很难了，但总有一些涨点技巧，比如谷歌前几天公布的 简单粗暴“复制-粘贴”数据增广，简单又有效，让人措不及防。

今天要跟大家介绍一篇新文章 SWA Object Detection ,可能是最简单、计算成本最低、动手成本最低的。

同样的，这篇文章全文无公式、无算法流程图，不改模型结构，不增加模型复杂度、推断时间，也不对数据进行增广。但将其简单应用于主流的目标检测算法，可普遍在COCO数据集上获得 ~1 个AP的精度提升！而且神奇的是原始模型精度越高提升幅度越大。

该文昨天刚公布，作者信息：

作者来自澳大利亚昆士兰科技大学、昆士兰大学。

简单一句话介绍方法：将模型在数据集上多训练几个epochs，将多个epochs得到的checkpoints 进行简单平均，获得最终模型。该方法启发于 Stochastic Weights Averaging（随机权重平均，SWA，来自论文 Averaging weights leads to wider optima and better generalization. UAI, 2018），其本来是为了改进深度学习模型的泛化能力。

SWA理论认为平均多个SGD优化轨迹上的多个模型，最终模型泛化性能更好。如下图：

W1、W2、W3为模型优化过程中不同的checkpoint，SWA认为在其张成的空间中，中心点具有更好的泛化能力。故取checkpoint平均。

问题来了，训练多少个epoch再平均？如何调整学习率？

在SWA原理论中模型再训练时使用固定学习率或者循环余弦退火学习率。

循环余弦退火学习率调整示意图：

其实很难用理论回答，所以作者的做法很直接，多次实验，看结果总结规律。

作者使用Mask RCNN 在COCO上做了实验，固定学习率和循环余弦退火学习率调整都试了。

请看下表：

获得了很神奇的结果！checkpoints平均后获得了比之前训练路径上所有模型都更好的结果，循环余弦退火学习率调整获得的结果更好，bbox AP 和 mask AP都可以获得超过 1 个AP的提升！而且相比于6个、24个、48个checkpoints的平均，12是一个足够好的数字。

为验证此方法具有通用性，作者在不同的算法上进行验证。

将SWA用于Mask RCNN 与 Faster RCNN上的结果：

精度都有提升，而对于本身精度更高的Mask RCNN 提升更明显。

将SWA用于RetinaNet 与 FCOS 上的结果：

都获得了精度提升，原始模型精度越高，获得的提升越大！

将SWA用于YOLOv3 与 VFNet 上的结果：

提升依然很明显！

下图为Mask RCNN 使用SWA前后推断结果示例：

总结一下简单又神奇的SWA方法：

在传统的使用lrini和lrend作为起始和结束学习率训练结束后，额外多训练12个epochs，每个epochs学习率由lrini变化到lrend，最后将这12个checkpoints平均，得到最终的模型。

论文地址：

https://arxiv.org/pdf/2012.12645.pdf

代码地址：

https://github.com/hyz-xmaster/swa_object_detection

期待这种简单的抗过拟合方法，能够在其他视觉任务上有效！