R-CNN:寻找FC可重新分类的回购

Question

为了我的兴趣，我正在研究不同的目标检测算法。主要参考资料是Andrej Kar这话的幻灯片 on object 幻灯片在这里 幻灯片在这里。

我想从一些参考开始，特别是允许我直接测试我的数据上提到的一些网络(主要包括车载的汽车和自行车比赛摄像机)。

不幸的是，我已经使用了一些预先训练过的网络 (从JunshengFu one中提取的回购叉，它使Yolo稍微适应了我的用例)，，但是分类的准确性很低，我想是因为没有太多的赛车训练实例，比如F1。

出于这个原因，我想对这些网络进行再培训，在这里我发现了最重要的问题：

正确地培训一些网络需要硬件(强大的GPU)或我没有的时间，所以我想知道我是否可以重新培训网络的一部分，特别是分类网络和，如果已经有任何允许的回购。

提前谢谢你

Answer 1

这就是所谓的网络微调或转移学习.基本上，您可以为您找到的任何网络(当然有类似的问题域)这样做，然后根据您拥有的数据量，您可以微调整个网络，或者冻结一些层，只对最后的层进行培训。对于您的情况，您可能需要冻结整个网络，除了最后一个完全连接的层(实际上您将用新的层替换，满足您的类数)，这些层执行分类。我不知道你使用的是哪个库，但是tensorflow有官方的转移学习教程。不过，还不太清楚。

更多的用户友好的教程，您可以在这里找到一些爱好者：教程。在这里，您也可以找到一个代码存储库。您需要的一个更正是，作者对整个网络执行微调，而如果您想冻结某些层，则需要获得可训练变量的列表，并删除要冻结的变量，并将结果列表传递给优化器(因此，他忽略已删除的vars)，如下所示：

all_vars = tf.get_collection(tf.GraphKeys.TRAINABLE_VARIABLES,scope='InceptionResnetV2')
to_train = all_vars[-6:] // you better specify them by name explicitely, but this still will work
optimizer = tf.train.AdamOptimizer(lr=0.0001)
train_op = slim.learning.create_train_op(total_loss,optimizer, variables_to_train=to_train)

此外，tensorflow有一个所谓的模型动物园(一群受过训练的模型，你可以用来做你的目的和转移学习)。你可以找到它，这里。