亚马逊云科技 AI For Good-2022 优秀方案开源分享—OC

{"value":"在刚刚结束的【亚马逊云科技 AI For Good-2022 遥感光学影像目标检测挑战赛】中，来自浙江大学的金润杰率领的OC团队斩获第2名。本次赛事聚焦遥感光学目标检测，存在图像尺寸大、目标角度各异等诸多难点，挑战难度高。我们对OC团队进行了采访，邀请他们分享参赛体验与算法策略。\n\n\n\n**Q：针对本次比赛的图像数据尺寸较大、数据量较多，请问贵团队采用了什么方法解决这些数据处理的挑战？**.\n**A**：我们的解决思路是 RoI Transformer + Swin-Transformer + Recursive Feature Pyramid + 开源预训练模型 + SWA；切图训练，单张图片大小1024*1024，gap=200，在线数据增强使用随机翻转和随机旋转。\n\n\n\n**Q：能进一步介绍一下贵团队所构建算法模型吗？**\n\n**A**：RoI Transformer 用于二阶检测器中。它由两部分组成：第一部分是RRoI Learner，它学习从 HRoIs 到 RRoIs 的转换；第二部分是 RRoI Warping，它从 RRoI 中提取旋转不变的特征，用于后续的分类和回归子任务。\n\n为了进一步提高效率，模型原作者为所有的 RoI-wise operations 采用了 light head structure。roi-wise operation 一直是二阶检测器的效率瓶颈，因为它们之间的计算不共享。\n\nLight-head R-CNN 提出使用分离卷积来获得 thin feature 以解决这个问题，它还使用 PS RoI pooling 来进一步削减特征图的通道数，本文方法的 baseline 就是 Light-head R-CNN。\n\n\n图1 核心算法设计\n\n**Q：本次比赛是基于Amazon Sagemaker进行的模型搭建，贵团队在使用Amazon Sagemaker的过程中有哪些感受和经验？**\n\n**A**：Sagemaker 系统资源丰富，无需任何投入即可马上开始使用 [Amazon SageMaker](https://aws.amazon.com/cn/sagemaker/?trk=cndc-detail)。每月可获得 250 个小时的 t2.medium 记事本实例使用额度，50 个小时的 m4.xlarge 训练用实例使用额度，外加 125 个小时的 m4.xlarge 托管用实例使用额度。不仅提供了不同层次、不同性能的加速计算服务器，而且配置了多种框架和镜像，训练省时省力。\n\n在实际部署的时候，我们在控制面板中创建笔记本实例进行训练。笔记本成功创建的界面如下\n\n\n\n随后在创建 notebook 进行训练，如下所示\n\n\n\n**Q：贵团队在本次大赛中获得了第二名的优秀成绩，回顾本场比赛，您有什么心得和体验？**\n\n**A**：我们以 RoI Transformer + Swin-Transformer + Recursive Feature Pyramid + 开源预训练模型 + SWA 为解决思路，较好地平衡了计算速度和计算精度，实现了算法效率的提升，我想这也是我们能够获得较好分数的核心原因。同时 Amazon Sagemaker 为我们的模型训练提供了充足的计算资源和运行环境，对初次使用 Amazon Sagemaker 的我们来说十分友好，减少了代码编写和训练调优的阻碍。最后希望我们团队的算法思路能够帮助广大开发者朋友启发思路，也建议各位开发同学尝试使用 Amazon Sagemaker 搭建项目。","render":"<p>在刚刚结束的【亚马逊云科技 AI For Good-2022 遥感光学影像目标检测挑战赛】中，来自浙江大学的金润杰率领的OC团队斩获第2名。本次赛事聚焦遥感光学目标检测，存在图像尺寸大、目标角度各异等诸多难点，挑战难度高。我们对OC团队进行了采访，邀请他们分享参赛体验与算法策略。</p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/facae9e1aaf54c199486b4e3ffeba48d_1.png\\" alt=\\"1.png\\" /></p>\n<p><strong>Q：针对本次比赛的图像数据尺寸较大、数据量较多，请问贵团队采用了什么方法解决这些数据处理的挑战？</strong>.<br />\\n<strong>A</strong>：我们的解决思路是 RoI Transformer + Swin-Transformer + Recursive Feature Pyramid + 开源预训练模型 + SWA；切图训练，单张图片大小1024*1024，gap=200，在线数据增强使用随机翻转和随机旋转。</p>\\n<p><strong>Q：能进一步介绍一下贵团队所构建算法模型吗？</strong></p>\\n<p><strong>A</strong>：RoI Transformer 用于二阶检测器中。它由两部分组成：第一部分是RRoI Learner，它学习从 HRoIs 到 RRoIs 的转换；第二部分是 RRoI Warping，它从 RRoI 中提取旋转不变的特征，用于后续的分类和回归子任务。</p>\\n<p>为了进一步提高效率，模型原作者为所有的 RoI-wise operations 采用了 light head structure。roi-wise operation 一直是二阶检测器的效率瓶颈，因为它们之间的计算不共享。</p>\n<p>Light-head R-CNN 提出使用分离卷积来获得 thin feature 以解决这个问题，它还使用 PS RoI pooling 来进一步削减特征图的通道数，本文方法的 baseline 就是 Light-head R-CNN。</p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/294b0ce1fd7b4b759107bc31ec758880_2.png\\" alt=\\"2.png\\" /><br />\\n图1 核心算法设计</p>\n<p><strong>Q：本次比赛是基于Amazon Sagemaker进行的模型搭建，贵团队在使用Amazon Sagemaker的过程中有哪些感受和经验？</strong></p>\\n<p><strong>A</strong>：Sagemaker 系统资源丰富，无需任何投入即可马上开始使用 [Amazon SageMaker](https://aws.amazon.com/cn/sagemaker/?trk=cndc-detail)。每月可获得 250 个小时的 t2.medium 记事本实例使用额度，50 个小时的 m4.xlarge 训练用实例使用额度，外加 125 个小时的 m4.xlarge 托管用实例使用额度。不仅提供了不同层次、不同性能的加速计算服务器，而且配置了多种框架和镜像，训练省时省力。</p>\\n<p>在实际部署的时候，我们在控制面板中创建笔记本实例进行训练。笔记本成功创建的界面如下</p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/88494d9ac40d40ebaf791c59a10146b5_3.png\\" alt=\\"3.png\\" /></p>\n<p>随后在创建 notebook 进行训练，如下所示</p>\n<p><img src=\\"https://dev-media.amazoncloud.cn/c5a789d43ecb4424ae043c64f06da100_4.png\\" alt=\\"4.png\\" /></p>\n<p><strong>Q：贵团队在本次大赛中获得了第二名的优秀成绩，回顾本场比赛，您有什么心得和体验？</strong></p>\\n<p><strong>A</strong>：我们以 RoI Transformer + Swin-Transformer + Recursive Feature Pyramid + 开源预训练模型 + SWA 为解决思路，较好地平衡了计算速度和计算精度，实现了算法效率的提升，我想这也是我们能够获得较好分数的核心原因。同时 Amazon Sagemaker 为我们的模型训练提供了充足的计算资源和运行环境，对初次使用 Amazon Sagemaker 的我们来说十分友好，减少了代码编写和训练调优的阻碍。最后希望我们团队的算法思路能够帮助广大开发者朋友启发思路，也建议各位开发同学尝试使用 Amazon Sagemaker 搭建项目。</p>\n"}