ICME- 安全AI挑战者计划第九期：小样本商标检测挑战赛
前言一、比赛介绍赛题背景数据集测试结果提交二、服务器比赛环境准备三、寻找Baseline四、改进Baseline五、改进参考总结前言
本文章用于记录本人参加小样本商标检测挑战赛的全部流程——小白一枚，能力有待提升
一、比赛介绍
比赛官网
赛题背景
在电商平台，商品标识作为企业和品牌的知识产权代表，应避免受恶意使用和剽窃。为保护商品标识资质、降低知识产权风险和财务损失，我们提出小样本电商标识检测挑战赛。挑战赛需要参赛者利用少量样本，处理品牌logo小目标检测、做相似品牌标识区分等。
这项挑战的目的是吸引来自深度/机器学习社区、内容安全/保护社区，一起在这一领域进行尝试，并为内容安全构建先进学习技术的基础。我们寻求就问题定义和稳健的目标检测框架达成共识。我们还想描述确保感知模型安全的特性，并评估在实际商业多媒体系统的各种对抗性样本下的后果。最后，我们希望为在这个问题上的跨社区合作规划出重要的未来方向。
数据集
1、训练集合：共3500张训练图片，100类商品品牌logo，7千多个实例。初赛50类，每类50张训练图片；复赛50类，每类20张训练图片。
图片示例
COCO数据格式
官方给了一组标注好的训练集，一组未标注的测试集。
验证集需要自行设置，本人从训练集中拿出200张图做验证集。
测试结果提交
在测试集上进行预测，提交评估数据结构：
上传识别结果文件为.json，要求文件大小在1G内。
二、服务器比赛环境准备
服务器系统上个人推荐用Ubuntu，因为Windows容易出各种Bug。
一个算力足够的深度学习服务器平台，是在比赛中取得良好成绩的基础。本人曾经一次比赛依靠租用服务器打比赛，非常不便与辛苦。
最最重要的就是我们的代码库了：目前三大目标检测开源神器Detectron2/mmdetection/SimpleDet，本人使用mmdetection及近年来屠版的Swin-Transformer。
Ubuntu1~18.04RTX 3090*2PyTorch: 1.10.1+cu111MMDetection: 2.11.0+
三、寻找Baseline
如下表，本人通过遍历.4月版本mmdetection库中所有模型，挑选出如下COCO_AP值较好的基础模型。
通过对数据集的训练与测试，获得了如下结果。结果表明，采用Swin-Transformer模型的得分最高。
首先，我是直接下载了Swin-Transformer-Object-Detection,这个里面包括了Swin-t/s/b/l等，相比于mmdetection更全。但是经过一段时间的试验后发现结果不理想。
如上表，配置的模型与之前在mmdetection中的一样，但是swin-s的分数从0.52下降到0.36。这个原因具体不清楚，可能是其对应的版本过老？不过这里的swin-b比s高了近0.4，说明swin-b效果是有的。
总之我只能用回最新的mmdetection，自己配置Swin-b等。（问题是我现在不会！！！捂脸）
