向AI转型的程序员都关注了这个号????????????

机器学习AI算法工程   公众号：datayx

道路损伤检测任务是对几种道路损伤进行检测，不仅要分类出损伤类别，还要定位到损伤的位置，故实质是一个目标检测问题。

https://rdd2020.sekilab.global/overview/

GRDDC'2020 数据集是从印度、日本和捷克收集的道路图像。包括三个部分：Train, Test1, Test2。训练集包括带有 PASCAL VOC 格式 XML 文件标注的道路图像。在给参赛者的数据Test1 和 Test2 中是没有标注。train则包含标注。

数据分布如下：

三个数据集和三个国家的图像分布统计

训练数据中每种损坏类型的实例数

GRDD 挑战赛的评估标准是F1-Score。

对于参赛者提交的预测结果，如果预测满足以下两个标准，则认为它是正确的。

• predicted bounding box 与 ground truth bounding box 之间的重叠区域超过 50%，即 IoU > 0.5。

• 预测的标签与实际的标签相匹配，如图像的标注文件中所指定的（ground truth）。

评估脚本比较两个输入文件以及计算所提交的 F1-Score。F1-Score 为精确率和召回率的调和平均数，精确度是真阳性与所有预测阳性的比率。召回率是真正的阳性结果与所有实际阳性结果的比率。

各参数的细节如下：

• 真阳性（TP）：ground truth 中存在一个损害实例，并且该实例的标签和边界框被正确预测，IoU>0.5。

• 假阳性（FP）：当模型预测了图像中某一特定位置的损害实例，但该实例并不存在于图像的 ground truth 中。也包括了预测标签与实际标签不匹配的情况。

• 假阴性（FN）：当一个损害实例出现在 ground truth 中，但模型无法预测正确的标签或该实例的边界框。

召回率：

F1指标对召回和精度的权重相等。因此，参赛者需要在两者都有中等水平的表现，而不是在其中一个方面表现突出，在另一个方面表现不佳。

冠军团队

• 项目 代码 获取方式：

  关注微信公众号 datady  然后回复 道路 即可获取。

  AI项目体验地址 https://loveai.tech

IMSC团队(Hedge等，来自美国南加州大学和约旦德国约旦大学)，提出方法基于 ultralytics-YOLO (u-YOLO) [YOLOv5, 2020]，并应用了测试时数据增强（TTA），提高了模型的鲁棒性。TTA 通过对每张测试图像进行多次变换（如水平翻转、提高图像分辨率）并生成新的图像来进行数据增广。

新的图像与现有图像一起被输入到训练好的 u-YOLO 模型中。因此，对应于每一个测试图像，使用增强的图像生成多个预测。在此过程中产生的重复或重叠的预测使用非极大抑制（NMS）算法进行过滤。整个方法被称为集成预测（Ensemble Prediction，EP）。

除了 EP，该团队还提出了另一种方法，称为集成模型（EM）。顾名思义，EM是将 u-YOLO 模型的不同变体进行集成。鉴于训练一个 u-YOLO 模型涉及到调整不同的超参数，使用这些参数的不同组合会产生不同的训练模型。作者选择这些模型的一个子集，以使它们的整体精度最大化。每幅图像都会在所有选定的模型上测试，然后对每个模型的预测结果进行平均，最后应用非极大抑制。这种集成技术通过降低预测方差实现了更好的准确性。

团队的最终方案是将这两种方法结合起来，Ensemble Model with Ensemble Prediction（EM+EP）。可以想象每幅图像的测试时间肯定是很长的，但好在这只是比赛。

当然作者也比较了三种方法(EM、EP和EM+EP)在速度和精度方面的表现。统计结果显示，虽然在(EM+EP)的情况下，准确率得到了提高，达到了最高的 F1-score(测试1为0.67)（大力出奇迹啊！），而如果用每幅图像的检测时间来衡量，该方法在检测速度方面是最差的。

获胜团队的最后得分及代码如下：

Test1-Score：0.6748

Test2-Score：0.6662

（这个结果是远超第二名的！）

机器学习算法AI大数据技术

 搜索公众号添加： datanlp

长按图片，识别二维码

阅读过本文的人还看了以下文章：

TensorFlow 2.0深度学习案例实战

基于40万表格数据集TableBank，用MaskRCNN做表格检测

《基于深度学习的自然语言处理》中/英PDF

Deep Learning 中文版初版-周志华团队

【全套视频课】最全的目标检测算法系列讲解，通俗易懂！

《美团机器学习实践》_美团算法团队.pdf

《深度学习入门：基于Python的理论与实现》高清中文PDF+源码

特征提取与图像处理(第二版).pdf

python就业班学习视频，从入门到实战项目

2019最新《PyTorch自然语言处理》英、中文版PDF+源码

《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码

《深度学习之pytorch》pdf+附书源码

PyTorch深度学习快速实战入门《pytorch-handbook》

【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》

《Python数据分析与挖掘实战》PDF+完整源码

汽车行业完整知识图谱项目实战视频(全23课)

李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材

笔记、代码清晰易懂！李航《统计学习方法》最新资源全套！

《神经网络与深度学习》最新2018版中英PDF+源码

将机器学习模型部署为REST API

FashionAI服装属性标签图像识别Top1-5方案分享

重要开源！CNN-RNN-CTC 实现手写汉字识别

yolo3 检测出图像中的不规则汉字

同样是机器学习算法工程师，你的面试为什么过不了？

前海征信大数据算法：风险概率预测

【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类

VGG16迁移学习，实现医学图像识别分类工程项目

特征工程(一)

特征工程(二) :文本数据的展开、过滤和分块

特征工程(三):特征缩放,从词袋到 TF-IDF

特征工程(四): 类别特征

特征工程(五): PCA 降维

特征工程(六): 非线性特征提取和模型堆叠

特征工程(七)：图像特征提取和深度学习

如何利用全新的决策树集成级联结构gcForest做特征工程并打分？

Machine Learning Yearning 中文翻译稿

蚂蚁金服2018秋招-算法工程师（共四面）通过

全球AI挑战-场景分类的比赛源码(多模型融合)

斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）

python+flask搭建CNN在线识别手写中文网站

中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程

不断更新资源

深度学习、机器学习、数据分析、python

 搜索公众号添加： datayx