baowenshuwh

谢谢您的回复，我发现问题所在了。除此之外，我是以yolo系列为baseline检测AI-TOD数据集，在保证达到实时检测的情况下，尽可能提高检测的性能。最终结果是低于原论文中提出的benchmark，请问这样做有意义吗？希望您能够指导指导！

> > 谢谢您的回复，我发现问题所在了。除此之外，我是以yolo系列为baseline检测AI-TOD数据集，在保证达到实时检测的情况下，尽可能提高检测的性能。最终结果是低于原论文中提出的benchmark，请问这样做有意义吗？希望您能够指导指导！ > > 是工程导向的吗，还是想以YOLO搭一个baseline做研究呢。如果是项目导向，对实时性有较大要求，可以试一试多train一些epoch以及多尺度训练，应该会涨不少精度，单阶段算法在极小目标上收敛很慢，此外还可以试一试YOLOX，效果应该会比v5好。如果以YOLO为baseline打算继续做研究的话，我觉得以YOLO为代表的one-stage算法在极小目标上还有比较大的提升空间，如果能显著提升单阶段的性能/收敛速度的话（不一定要打得过多阶段），也会是一项不错的工作：) 目前是在做论文工作，我是一名研二的学生。我观察到光学遥感图像中对于小目标的检测效率问题似乎少有关注，大多是在做一个性能上的提升，而YOLO系列在速度上占优，所以想着通过保持一定的检测速度来提高检测性能，在工程项目上似乎也能有所推广。

> 可以的，实时性检测也是一个值得研究的方向，加油！或许可以参考一下SNIP，SNIPER，[DMNet](http://www.classic.grss-ieee.org/earthvision2020/july_stuff/webpage/papers/Li_Density_Map_Guided_Object_Detection_in_Aerial_Images_CVPRW_2020_paper.pdf) 这样的思路来减少计算量~ 好的，感谢您的答复。

您好，之前和您提到的用u版yolo系列做您这个AI-TOD的检测实验。我后来用您的ai-cocoapi评估了一下u版yolov3的结果，可是和您论文中的mmdetection版的yolov3评估相差很大。想请教请教您原因。以下是我的评估结果 Evaluate annotation type *bbox* DONE (t=537.03s). Accumulating evaluation results... DONE (t=8.84s). Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=3000 ] = 0.245 Average Precision (AP) @[ IoU=0.25...

> > 您好，之前和您提到的用u版yolo系列做您这个AI-TOD的检测实验。我后来用您的ai-cocoapi评估了一下u版yolov3的结果，可是和您论文中的mmdetection版的yolov3评估相差很大。想请教请教您原因。以下是我的评估结果 Evaluate annotation type _bbox_ DONE (t=537.03s). Accumulating evaluation results... DONE (t=8.84s). Average Precision (AP) @[ IoU=0.50:0.95 | area= all | maxDets=3000 ] = 0.245 Average Precision (AP)...

> 我一直都是从工程应用的角度去思考一些模型的应用价值。刚好也是做小目标的检测。就想引用您的数据集

> 嗯嗯是的，如果工程应用的话只管刷精度就好了，如果是论文中方法对比的话写清楚实验实现细节即可 非常感谢您的指导。现在大致有了明确的路线。再次感谢