视频链接：https://tianchi.aliyun.com/course/video?spm=5176.12586971.1001.25.41ac2881DxCw7l&liveId=36945
shuzhilian ai：
总共有十种瑕疵类别，首先要分析每一种瑕疵类别的样本数目各是多少，由此得出样本分布是不均衡的：
20200215-1.PNG
所以首先要用图像处理的方法做数据增强，把每一类样本增加到 5000 份左右。
接着还要统计缺陷的尺寸分布情况：
20200215-2.PNG
尺寸变化非常大。针对这一问题采用的结构是 Faster RCNN + FPN + Cascade RCNN。
因此整体的方法是：
20200215-3.PNG
先做数据增强，然后再采用上述的架构，backbone: ResneXt152。
针对不同尺寸的缺陷所做的改进：
20200215-4.PNG
Cascade RCNN 结构：
20200215-5.PNG
小结：
20200215-6.PNG
评委提问：
- 问题 1. 你改进了三个部分，我想知道哪个部分的改进对你整个算法的性能的提高最有效？
- 问题 2. 你用了 Cascade RNN 结构，这个东西如何保证收敛？它可能会越变越差。
- 问题 3. 这个题目在出的时候没有给你们负样本，你们负样本自己取的方式再简介一下，然后取完这个负样本后对你们性能的提升是一个什么程度？
- 问题 4. 在没有其他新增样本的条件下，你们在做数据增强的时候，你认为到多少量，或者说数据增强多少倍的时候，大概会到一个比较稳定的、可能没法再提升的程度？
风不动：
将各种缺陷的图像展示了出来：
20200215-7.PNG
并分析了所给数据的特点：
20200215-8.PNG
FPN 结构可以适应更多的大小尺度。
针对不规则和微小目标的检测方案：（Detection for Irregular and Tiny Objects, DIT）
DCN: Deformable Convolutional Networks
什么是 ROIPooling？什么是 ROIAlign？为什么后者比前者的效果好？
什么是 anchor？
什么是 hard example mining？什么是 OHEM？什么是 batch 级别的 OHEM？
测试阶段：什么是 NMS？什么是 Soft-NMS？什么是投票平均？
20200215-9.PNG
总结：
20200215-10.PNG
评委提问：
-
我看你们三个是北邮的学生，那你们参加这个比赛的目的是什么？
你们导师不管？我觉得你做得不错，可以尝试投 paper。
树根互联 AILab：
整体框架：Faster R-CNN + FPN（解决瑕疵尺度多样化问题）
backbone: ResNet101
GDUT-WWW：
什么是 aspect ratio？
评委提问：
- 能不能用一两句话简单陈述你们的创新点？
- 你说可以做迁移学习的其他任务，怎么做？
打怪升级：
《基于多尺度 Mask-RCNN 的瑕疵检测》
20200215-11.PNG
多尺度有助于检测小瑕疵。也就是将一张图片分别 resize 到不同尺寸。
soft-NMS 可以解决重叠框误删的问题。
box voting。
20200215-12.PNG
- 说一下整个方法里面，哪一步是创新的？
- 铝板的缺陷检测为什么需要用 deep learning？传统的方法差在哪里？
Are you OK?
每个类别 bbox 数量的统计，及 bbox 大小的数量的统计：
20200215-13.PNG
- Deformable convolution 为什么能够对非规则的缺陷学得更好？那我用一个大的 kernel 一样可以把它覆盖住，覆盖住之后我让它学习到那个位置就行了呗？
FPN: Feature Pyramid Networks
SWA (Stochastic Weight Averaging )
网友评论