oks的计算值大于1是怎么回事

Question

做了一个关键点检测的模型
要求训练时添加oks作为评价标准
找了一个oks的计算程序，但是不知道为什么运行时oks升高的很快，而且随着batchsize的增大，起始oks值会变小，但是殊途同归的会大于1
batchsize为32时：

batchsize为64时：

这种情况是oks的代码有问题，还是说这种计算就是需要很大的batchsize呢？不太知道问题出在哪……
还有就是想顺便问下，一般其他关键点检测网络的oks是多少啊，虽然是越靠近1越好，但是想知道一般oks是多少就够用了，或者说常见的网络oks都是多少呢？

Answer 1

首先,Oks(Object Keypoint Similarity)得分大于1通常表示有问题。一般来说,Oks得分应该趋近于1,表示预测的关键点位置和ground truth位置高度符合。
导致Oks得分大于1的原因可能有:

1. Oks计算公式有问题。Oks计算涉及预测框和ground truth框的交并比,如果计算有误可能会导致得分过高。你可以检查一下Oks的计算代码,确认INTERSECT/UNION的计算是否正确。
2. 批大小过大。当批大小变大时,网络的预测变化可能较大,导致Oks得分起伏不定。你可以试试降低批大小,看Oks得分是否可以稳定在1附近。
3. 网络结构或损失函数的问题。网络结构或损失函数设计不当,无法很好地预测关键点位置,导致Oks得分不稳定。你可以检查网络结构和损失函数,确保关键点预测任务得到很好的训练。
   关于其他网络的Oks得分,这里有一些参考值:

• COCO keypoint detection challenge 2017的获胜模型Hourglass的Oks为0.90
• OpenPose模型的Oks为0.85左右
• AlphaPose模型的Oks为0.80左右
  这些都是比较主流和高效的人体关键点检测模型,Oks得分0.8-0.9左右已经可以达到很不错的效果。你的模型如果能达到0.8左右的Oks,基本上就可以算是比较成功的了。
  总之,我的建议是:

1. 检查Oks计算公式,确认没有问题
2. 适当降低批大小,使Oks得分稳定
3. 检查网络结构和损失函数,确保关键点预测效果好
4. 参考其他高效模型的Oks得分,设置一个目标数值,比如0.8左右
   希望这些可以帮助你解决Oks得分过高的问题,让模型的关键点预测效果更加稳定和准确。