问SSD移动网模型不检测较远距离的对象。

EN

改变长宽比和尺度无助于提高小物体的检测精度(因为原来的尺度已经足够小了，例如min_scale = 0.2)。您需要更改的最重要参数是feature_map_layout。feature_map_layout确定特征映射的数量(及其大小)及其相应的深度(通道)。但是遗憾的是，这个参数不能在pipeline_config文件中配置，您必须在特性提取器中直接修改它。

这就是为什么这个feature_map_layout在检测小对象时非常重要的原因。

​

在上图中，(b)和(c)是两幅不同布局的地形图。地真象中的狗与4x4特征地图上的红锚盒相匹配，而猫匹配8x8特征图上的蓝色锚框。现在，如果要检测的对象是cat的ear，那么就不会有与对象匹配的锚框。因此，的直觉是:如果没有与对象匹配的锚框，那么该对象就不会被检测到。要成功地检测猫的耳朵，您需要的可能是一个16x16功能地图。

下面是如何对feature_map_layout进行更改的方法。此参数在每个特定的特性提取器实现中配置。假设您使用ssd_mobilenet_v1_feature_extractor，那么您可以在这文件中找到它。

feature_map_layout = {
    'from_layer': ['Conv2d_11_pointwise', 'Conv2d_13_pointwise', '', '',
                   '', ''],
    'layer_depth': [-1, -1, 512, 256, 256, 128],
    'use_explicit_padding': self._use_explicit_padding,
    'use_depthwise': self._use_depthwise,
}

这里有6幅不同比例的特征图。前两层直接取自移动层(因此深度都是-1)，其余四层来自额外的卷积运算。可以看出，最底层的特征映射来自移动网络的Conv2d_11_pointwise层。层越低，特征映射特征越好，对小目标的检测效果越好。所以您可以将这个Conv2d_11_pointwise更改为Conv2d_5_pointwise (为什么会这样？)从tensorflow图中可以发现，这一层比层Conv2d_11_pointwise具有更大的特征映射，可以帮助检测较小的对象。

但是，更高的精确度需要额外的成本，这里的额外成本是检测速度会下降一点点，因为有更多的锚盒需要处理。(较大的地形图)。另外，由于我们选择Conv2d_5_pointwise而不是Conv2d_11_pointwise，我们失去了Conv2d_11_pointwise的检测能力。

如果您不想更改该层，而只是添加一个额外的功能映射，例如，使其总共有7个功能映射，则必须将配置文件中的num_layers更改为7。你可以把这个参数看作是检测网络的分辨率，层次越低，分辨率就越好。

现在，如果您已经执行了上面的操作，还有一件事需要帮助，那就是添加更多的小对象图像。如果这不可行，至少可以尝试添加像random_image_scale这样的数据增强操作。