人工對(duì)數(shù)據(jù)集d進(jìn)行標(biāo)注p0（格式p）–>
使用數(shù)據(jù)集d和標(biāo)注p0訓(xùn)練生成權(quán)重文件w0–>
使用w0對(duì)d進(jìn)行預(yù)測(cè)，生成標(biāo)注p00（格式t）–>
將標(biāo)注p00轉(zhuǎn)換成標(biāo)注p1（格式p）–>
使用數(shù)據(jù)集d和標(biāo)注p1訓(xùn)練生成權(quán)重文件w1–>
循環(huán)往復(fù)…
便能使得標(biāo)注達(dá)到最優(yōu)，同時(shí)反向提升識(shí)別效果，并且能使得召回率和精度得到提升（雖然召回率與精度并不能完全反映出識(shí)別效果）

20200218更新

參考文章：標(biāo)注（annotation）的反向優(yōu)化策略 將Yunyang tensorflow-yolov3 predicted轉(zhuǎn)換為正常yolo標(biāo)注

總結(jié)

以上是生活随笔為你收集整理的图像识别 标注（annotation）的反向优化策略的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。