活动 | UIUC访问学者沈志强今晚8点分享：在小规模数据集上，怎样从头开始训练鲁棒的目标检测器？

分享背景

▼

目标检测作为一个基础的计算机视觉任务在自动驾驶、视频监控等领域拥有非常广泛的应用前景。目前主流的目标检测方法都严重依赖于在大规模数据集（如ImageNet）上预训练初始模型。而本文（ICCV2017）通过分析深度检测模型从头训练存在的问题，提出了四个training from scratch的原则，根据这些原则构建了DSOD模型，该模型在三个标准的数据集（PASCAL VOC 07, 12和COCO）上都达到了目前state-of-the-art的性能。

《 DSOD: Learning Deeply Supervised Object Detectors from Scratch 》

https://arxiv.org/abs/1708.01241

这是目前已知的第一篇在完全脱离ImageNet pre-train模型的情况下使用deep model在有限的训练数据前提下能做到state-of-the-art performance的工作，同时模型参数相比其他方法也要小很多，其中最小的一个模型参数只有5.9M，在VOC 2007 test set上可以达到73.6mAP，代码和模型都已经开源。

分享主题

▼

DSOD: Learning Deeply Supervised Object Detectors from Scratch

如何在小规模数据集上从头开始训练一个鲁棒的目标检测器

分享人简介

▼