Аннотация:Выполнено исследование, позволяющее оценить влияние ряда факторов на качество работы детектора RetinaNet, одной из важных характеристик которой является использование специальной функции потерь, позволяющей обрабатывать изображения с подавляющим, по отношению к объектам интереса, фоном.
Прежде всего, исследованы существующие методики оценки качества детектирования, среди которых полнота, точность, средняя точность, F-мера и другие. Исследование проводилось для одного целевого класса – люди. Для исследования на основе известных баз снимков были подготовлены два пакета снимков для обучения, содержащих 3000 и 10000 снимков и один тестовый пакет из почти 2500 снимков.
Обучение сети RetinaNet выполнялось в двух вариантах: на каждом из обучающих пакетов. В дальнейшем осуществлялось сравнение обученных сетей между собой и с известным вариантом сети RetinaNet, обученным на базе COCO MS.
В работе показан рост качества детектирования при увеличении объема обучающего пакета. Показано, что на объектах с более высоким разрешением сеть работает более эффективно. Рассмотрено влияние кратных срабатываний детектора на оценку качества, разработан собственный алгоритм подавления кратных обнаружений и оптимизированы его параметры. Путем изучения динамики некоторых характеристик качества детектирования получены рекомендации по количеству эпох обучения, которые обобщаются на процесс обучения детектора в общем случае.