Tensorflow CNN目标检测：如何降低高假阳性率
我目前正在使用更快的RCNN和Tensorflow对象检测API上的inception v2，用于更宽的人脸数据，我有很多高分的误报（>0.98，因此设置更高的分数阈值没有帮助）。 我已经在我的代码中指定了硬示例挖掘，但这并没有多大帮助。 对于图像预处理，我使用tf.image.sample\u扭曲的\u bounding\u box从原始图像中随机裁剪一个区域，并将其大小调整为300*300。调整大小的图像将以0.5的概率随机翻转 我将批量大小设置为32，对于每个图像，硬负片挖掘操作中的正片：负片的比率为32:32。我将IoU>0.5设置为正，将IoU<0.3设置为负。对于IoU介于0.5和0.3之间的样本，将忽略Tensorflow CNN目标检测：如何降低高假阳性率,tensorflow,face-detection,object-detection-api,Tensorflow,Face Detection,Object Detection Api,我目前正在使用更快的RCNN和Tensorflow对象检测API上的inception v2，用于更宽的人脸数据，我有很多高分的误报（>0.98，因此设置更高的分数阈值没有帮助）。 我已经在我的代码中指定了硬示例挖掘，但这并没有多大帮助。 对于图像预处理，我使用tf.image.sample\u扭曲的\u bounding\u box从原始图像中随机裁剪一个区域，并将其大小调整为300*300。调整大小的图像将以0.5的概率随机翻转 我将批量大小设置为32，对于每个图像，硬负片挖掘操作中的正片：
有人能帮我吗？非常感谢 通常，正面和负面示例之间的比率设置为1:3。这可能是因为在您的模型中，比率设置为1:1，因此模型没有看到足够的负面示例
您还可以尝试进行错误分析，并检查哪些是具有高置信度的误报。可能它们属于某一特定类型，如果是，请将此类负面示例添加到您的培训数据中。您也可以尝试增加RPN的NMS阈值