2．FFA－Net
期初根据赛题的描述和对数据的分析，我们团队首先对图片进行去雾处理，然后再进行检测。因为现在有许多比较成熟的去雾算法，这些算法也不会更改物体的位置，所以标注完全不用更改。抱着这个想法我们开始进行对比实验，来验证去雾算法的有效性。
首先使用了何恺明比较经典的暗通道先验去雾算法，但根据前两轮的得分，以及可视化结果我们放弃了这个方法。
之后我们又在Faster－rcnn相对较小的模型上测试了基于深度学习的去雾算法，GCANet、FFANet，用相应去雾算法的输出当做Faster－rcnn的输入。
▲FFA－Net处理训练集结果
对比结果如下表所示：
根据结果来看GCANet所处理的结果得分较差，但FFANet和原数据集得分比较类似，虽然没得到相应的提升，但却是一个很好的数据增强方法，因为类似这种图像模糊的数据集上，像素级别的数据增强在此数据集上很容易导致图片原始结构的破坏，从而导致AP效果下降。
现在我们得到一个切实可行的数据增强方式，所以将FFA－Net的处理结果与原始图像合并作为新的训练集进行训练。
3．Augmentation
因为图片总体数量较少，并且有较严重的数据不平衡情况，所以合理的数据增强方式会比增加模型复杂度之类的方法更为直接有效。
实验细节：
1．我们将Cascadercnn＋DCN＋FPN作为我们的baseline
2．将原有head改为Doublehead
3．将FFA－Net处理过的数据集与原数据集合并训练
4．Augmentation
5．Testingtricks
