change backgorund training names

docs/apis/datasets/detection.md

@@ -21,15 +21,15 @@ paddlex.datasets.VOCDetection(data_dir, file_list, label_list, transforms=None,
 > > * **parallel_method** (str): 数据集中样本在预处理过程中并行处理的方式，支持'thread'线程和'process'进程两种方式。默认为'process'（Windows和Mac下会强制使用thread，该参数无效）。  
 > > * **shuffle** (bool): 是否需要对数据集中样本打乱顺序。默认为False。  
 
-> 【可选】支持在训练过程中加入无目标真值的背景图片来减少背景误检，定义VOCDetection类后调用其成员函数`append_backgrounds`添加背景图片即可：
+> 【可选】支持在训练过程中加入无目标真值的背景图片来减少背景误检，定义VOCDetection类后调用其成员函数`add_negative_samples`添加背景图片即可：
 > ```
-> append_backgrounds(image_dir)
+> add_negative_samples(image_dir)
 > ```
-> > 示例：[代码](../../tuning_strategy/detection/backgrounds_training.html#id4)
+> > 示例：[代码](../../tuning_strategy/detection/negatives_training.html#id4)
 
 > > **参数**
 
-> > > * **image_dir** (str): 背景图片所在的目录路径。 
+> > > * **image_dir** (str): 背景图片所在的目录路径。
 
 ## CocoDetection类
 
@@ -51,15 +51,15 @@ paddlex.datasets.CocoDetection(data_dir, ann_file, transforms=None, num_workers=
 > > * **parallel_method** (str): 数据集中样本在预处理过程中并行处理的方式，支持'thread'线程和'process'进程两种方式。默认为'process'（Windows和Mac下会强制使用thread，该参数无效）。  
 > > * **shuffle** (bool): 是否需要对数据集中样本打乱顺序。默认为False。  
 
-> 【可选】支持在训练过程中加入无目标真值的背景图片来减少背景误检，定义CocoDetection类后调用其成员函数`append_backgrounds`添加背景图片即可：
+> 【可选】支持在训练过程中加入无目标真值的背景图片来减少背景误检，定义CocoDetection类后调用其成员函数`add_negative_samples`添加背景图片即可：
 > ```
-> append_backgrounds(image_dir)
+> add_negative_samples(image_dir)
 > ```
-> > 示例：[代码](../../tuning_strategy/detection/backgrounds_training.html#id4)
+> > 示例：[代码](../../tuning_strategy/detection/negatives_training.html#id4)
 
 > > **参数**
 
-> > > * **image_dir** (str): 背景图片所在的目录路径。 
+> > > * **image_dir** (str): 背景图片所在的目录路径。
 
 ## EasyDataDet类
 
@@ -82,13 +82,12 @@ paddlex.datasets.EasyDataDet(data_dir, file_list, label_list, transforms=None, n
 > > * **shuffle** (bool): 是否需要对数据集中样本打乱顺序。默认为False。
 
 
-> 【可选】支持在训练过程中加入无目标真值的背景图片来减少背景误检，定义EasyDataDet类后调用其成员函数`append_backgrounds`添加背景图片即可：
+> 【可选】支持在训练过程中加入无目标真值的背景图片来减少背景误检，定义EasyDataDet类后调用其成员函数`add_negative_samples`添加背景图片即可：
 > ```
-> append_backgrounds(image_dir)
+> add_negative_samples(image_dir)
 > ```
-> > 示例：[代码](../../tuning_strategy/detection/backgrounds_training.html#id4)
+> > 示例：[代码](../../tuning_strategy/detection/negatives_training.html#id4)
 
 > > **参数**
 
-> > > * **image_dir** (str): 背景图片所在的目录路径。 
-
+> > > * **image_dir** (str): 背景图片所在的目录路径。

docs/tuning_strategy/detection/backgrounds_training.md

@@ -1,108 +0,0 @@
-# 空背景训练
-
-## 应用场景
-
-在背景和目标相似的场景下，模型容易把背景误检成目标。为了降低误检率，可以采用空背景训练策略，即在训练过程中把无目标真值的图片加入训练。
-
-## 效果对比
-
-* 与基准模型相比，空背景训练后的模型**mmAP有3.6%的提升，mAP有0.1%的提升**。
-* 与基准模型相比，空背景训练后的模型在背景图片上的图片级别**误检率降低了49.68%**。
-* 与基准模型相比，空背景训练后的模型在目标图片上的图片级别**召回率仅降低了1.22%**。
-
-表1 违禁品验证集上**框级别精度**对比
-
-||mmAP（AP@IoU=0.5:0.95）| mAP (AP@IoU=0.5)|
-|:---|:---|:---|
-|基准模型 | 45.8% | 83% |
-|空背景训练后的模型 | 49.4% | 83.1% |
-
-表2 违禁品验证集上**图片级别的召回率**、无违禁品验证集上**图片级别的误检率**对比
-
-||违禁品图片级别的召回率| 无违禁品图片级别的误检率|
-|:---|:--------------------|:------------------------|
-|基准模型 | 98.97% | 55.27% |
-|空背景训练后的模型 | 97.75% | 5.59% |
-
-【名词解释】
- 
- * 图片级别的召回率：只要在有目标的图片上检测出目标（不论框的个数），该图片被认为召回。批量有目标图片中被召回图片所占的比例，即为图片级别的召回率。
- 
- * 图片级别的误检率：只要在无目标的图片上检测出目标（不论框的个数），该图片被认为误检。批量无目标图片中被误检图片所占的比例，即为图片级别的误检率。
-
-  
-## 使用方法
-
-在定义训练所用的数据集之后，使用数据集类的成员函数`append_backgrounds`将无目标真值的背景图片所在路径传入给训练集。代码示例如下：
-
-```
-import os
-os.environ['CUDA_VISIBLE_DEVICES'] = '0'
-from paddlex.det import transforms
-import paddlex as pdx
-
-# 定义训练和验证时的transforms
-train_transforms = transforms.Compose([
-    transforms.RandomHorizontalFlip(),
-    transforms.Normalize(),
-    transforms.ResizeByShort(short_size=600, max_size=1000),
-    transforms.Padding(coarsest_stride=32)
-])
-eval_transforms = transforms.Compose([
-    transforms.Normalize(),
-    transforms.ResizeByShort(short_size=600, max_size=1000),
-    transforms.Padding(coarsest_stride=32),
-])
-
-# 定义训练所用的数据集
-train_dataset = pdx.datasets.CocoDetection(
-    data_dir='jinnan2_round1_train_20190305/restricted/',
-    ann_file='jinnan2_round1_train_20190305/train.json',
-    transforms=train_transforms,
-    shuffle=True,
-    num_workers=2)
-# 训练集中加入无目标背景图片
-train_dataset.append_backgrounds('jinnan2_round1_train_20190305/normal_train_back/')
-
-# 定义验证所用的数据集
-eval_dataset = pdx.datasets.CocoDetection(
-    data_dir='jinnan2_round1_train_20190305/restricted/',
-    ann_file='jinnan2_round1_train_20190305/val.json',
-    transforms=eval_transforms,
-    num_workers=2)
-
-# 初始化模型，并进行训练
-model = pdx.det.FasterRCNN(num_classes=len(train_dataset.labels) + 1)
-model.train(
-    num_epochs=17,
-    train_dataset=train_dataset,
-    eval_dataset=eval_dataset,
-    train_batch_size=8,
-    learning_rate=0.01,
-    lr_decay_epochs=[13, 16],
-    save_dir='./output')
-```
-
-## 实验细则
-
-(1) 数据集
-
-我们使用X光违禁品数据集对空背景训练策略的有效性进行了实验验证。该数据集中背景比较繁杂，很多背景物体与目标物体较为相似。
-
-* 检测铁壳打火机、黑钉打火机 、刀具、电源和电池、剪刀5种违禁品。
-
-* 训练集有883张违禁品图片，验证集有98张违禁品图片。
-
-* 无违禁品的X光图片有2540张。
-
-(2) 基准模型
-
-使用FasterRCNN-ResNet50作为检测模型，除了水平翻转外没有使用其他的数据增强方式，只使用违禁品训练集进行训练。模型在违禁品验证集上的精度见表1，mmAP有45.8%，mAP达到83%。
-
-(3) 空背景训练后的模型
-
-把无违禁品的X光图片按1:1分成无违禁品训练集和无违禁品验证集。我们将基准模型在无违禁品验证集进行测试，发现图片级别的误检率高达55.27%。为了降低该误检率，将基准模型在无违禁品训练集进行测试，挑选出被误检图片共663张，将这663张图片加入训练，训练参数配置与基准模型训练时一致。
-
-空背景训练后的模型在违禁品验证集上的精度见表1，mmAP有49.4%，mAP达到83.1%。与基准模型相比，**mmAP有3.6%的提升，mAP有0.1%的提升**。空背景训练后的模型在无违禁品验证集的误检率仅有5.58%，与基准模型相比，**误检率降低了49.68%**。
-
-此外，还测试了两个模型在有违禁品验证集上图片级别的召回率，见表2，与基准模型相比，空背景训练后的模型仅漏检了1张图片，召回率几乎是无损的。

docs/tuning_strategy/detection/index.rst

@@ -1,10 +1,10 @@
 目标检测
 ============================
 
-PaddleX针对目标检测任务提供了空背景训练策略，用户可根据需求及应用场景使用该策略对模型进行调优。
+PaddleX针对目标检测任务提供了通过负样本学习降低误检率的策略，用户可根据需求及应用场景使用该策略对模型进行调优。
 
 .. toctree::
    :maxdepth: 1
 
-   backgrounds_training.md
+   negatives_training.md