室內場景識別任務的參賽攻略！第一名經驗分享，Malena.
一、賽題分析
室內場景識別在計算機視覺領域是一個具有挑戰性的問題，大多數適用於室外場景的分類模型在室內領域的表現都比較差，其困難在於儘管某些室內場景可以通過全局空間特徵進行較好的描述，但其他一些場景需要通過其具體所包含的對象特徵才能對該場景進行較好的描述。
因此如何提取圖像全局特徵和局部特徵來進行精確預測是本賽題的難點。
- 在本數據集一共包括67個室內場景類別，總共15620張圖片，每個類別至少有100張圖像，其中訓練集、驗證集和測試集劃分比例爲6:2:2.
- 數據集圖片數量較多，同時觀察100張圖片大小普遍集中在300*400類似的大小，同時也有個別的1000*1000及以上，適中考慮選擇512*512的大小比較合適
二、 核心思路
- 由於是室內場景分類的數據集，我們可以去尋找相關數據集的訓練方法，可以找到類似place205，place365等同類室內場景分類數據集訓練下的模型預訓練權重，可以加載預訓練權重進行訓練，效果相對會更好一點，但後期發現，其實單純只用imagenet預訓練的權重也可以得到相差無幾的效果，大部分的功勞還是歸功於參數的調整。
- 參數調整是非常重要的部分，數據預處理方面嘗試了上下左右等翻轉，效果下降，嘗試了亮度調整，模糊處理等操作，效果也是下降，所以索性就沒有用數據增強。
- 在訓練過程中，採用餘弦退火的方式去降低學習率，中間也是需要調整非常多次纔可以找到相對合適的學習率。
- 最後就是模型更換，剛開始最好嘗試差別較大的模型，確定一個基礎模型在進行更改。最後是在測試時候的操作，可以添加數據增強，也可以是模型融合等，各種方式都可以去進行嘗試，效果不一。
三、比賽經驗總結
- 數據集較大，訓練的時間也相對較長，提前選擇合適的模型進行訓練是最重要的；
- 選擇合適的模型後在同類模型中間去更精細的挑選，有的數據集確實很吃模型的架構，所以要謹慎選擇模型，錯誤的模型限制了性能的提升，一步錯後面都是浪費時間；
- 如果能力強的話可以在測試的時候加上測試增強，效果也許也是更進一步的提升。
本文爲作者在FlyAI平臺發佈的原創內容，採用知識共享署名-非商業性使用-禁止演繹 4.0 國際許可協議進行許可，轉載請附上原文出處鏈接和本聲明。
本文鏈接地址（視頻講解直達）：https://www.flyai.com/n/94902