室内场景识别任务的参赛攻略！第一名经验分享，Malena.
一、赛题分析
室内场景识别在计算机视觉领域是一个具有挑战性的问题，大多数适用于室外场景的分类模型在室内领域的表现都比较差，其困难在于尽管某些室内场景可以通过全局空间特征进行较好的描述，但其他一些场景需要通过其具体所包含的对象特征才能对该场景进行较好的描述。
因此如何提取图像全局特征和局部特征来进行精确预测是本赛题的难点。
- 在本数据集一共包括67个室内场景类别，总共15620张图片，每个类别至少有100张图像，其中训练集、验证集和测试集划分比例为6:2:2.
- 数据集图片数量较多，同时观察100张图片大小普遍集中在300*400类似的大小，同时也有个别的1000*1000及以上，适中考虑选择512*512的大小比较合适
二、 核心思路
- 由于是室内场景分类的数据集，我们可以去寻找相关数据集的训练方法，可以找到类似place205，place365等同类室内场景分类数据集训练下的模型预训练权重，可以加载预训练权重进行训练，效果相对会更好一点，但后期发现，其实单纯只用imagenet预训练的权重也可以得到相差无几的效果，大部分的功劳还是归功于参数的调整。
- 参数调整是非常重要的部分，数据预处理方面尝试了上下左右等翻转，效果下降，尝试了亮度调整，模糊处理等操作，效果也是下降，所以索性就没有用数据增强。
- 在训练过程中，采用余弦退火的方式去降低学习率，中间也是需要调整非常多次才可以找到相对合适的学习率。
- 最后就是模型更换，刚开始最好尝试差别较大的模型，确定一个基础模型在进行更改。最后是在测试时候的操作，可以添加数据增强，也可以是模型融合等，各种方式都可以去进行尝试，效果不一。
三、比赛经验总结
- 数据集较大，训练的时间也相对较长，提前选择合适的模型进行训练是最重要的；
- 选择合适的模型后在同类模型中间去更精细的挑选，有的数据集确实很吃模型的架构，所以要谨慎选择模型，错误的模型限制了性能的提升，一步错后面都是浪费时间；
- 如果能力强的话可以在测试的时候加上测试增强，效果也许也是更进一步的提升。
本文为作者在FlyAI平台发布的原创内容，采用知识共享署名-非商业性使用-禁止演绎 4.0 国际许可协议进行许可，转载请附上原文出处链接和本声明。
本文链接地址（视频讲解直达）：https://www.flyai.com/n/94902