[發明專利]一種用于目標檢測器模型訓練過程中的免除采樣方法

在審

• 申請號: 202010070199.0
• 申請日: 2020-01-21
• 公開（公告）號: CN111291796A
• 公開（公告）日: 2020-06-16
• 發明（設計）人: 徐童;陳卓;劉東;陳恩紅;吳世偉
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 鄧治平

1.一種用于目標檢測器模型訓練過程中的免除采樣方法，其特征在于，包括如下步驟：

步驟1：最優偏差初始化，有偏地初始化檢測器模型網絡輸出預測張量的卷積層的偏置，使得檢測器的分類損失被在訓練開始階段被初始化為極小值點；

步驟2：設計目標檢測器訓練的指導性損失函數，使用目標檢測中的邊框回歸損失指導確定分類損失縮放的比例，通過比例計算使得分類損失與邊框回歸損失在數值上時刻相等；

步驟3：設置目標檢測器模型訓練類別的自適應閾值，計算數據集中統計的類別的數量和所有類別的數量的比值與正負樣本數量的比值的乘積，根據某類別的數量和所有類別的數量的比值自適應的確定閾值，進行模型訓練。

2.根據權利要求1所述的一種用于目標檢測器模型訓練過程中的免除采樣方法，其特征在于，所述步驟1具體包括：

最優偏差初始化具體為：假設數據集中有C類目標種類，N個樣本，其中有N_f個前景樣本，則在訓練開始階段，使用交叉熵分類損失的損失函數LCE改寫成：

其中，公式的前一項-log(π)是前景損失，后一項是背景損失；

公式(1)的導數為：

當時，L^CE取得極小值，由σ(b)≈π求得初始化偏置應為：

3.根據權利要求1所述的一種用于目標檢測器模型訓練過程中的免除采樣方法，其特征在于，所述步驟2具體包括：

設計指導性損失函數，用回歸損失L^CLS來確定分類損失降低的比例r：

其中，w^reg指回歸損失的權重，其中公式(4)在計算中不經過反向傳播，整個損失函數L為：

L＝w^regL^reg+w^clsL^cls·r (4)

其中，w^cls指分類損失的權重，r為公式(3)中計算出的比例；

回歸損失不受前景背景不平衡的影響，設置w^reg＝1，微調w^cls完成計算。

4.據權利要求1所述的一種用于目標檢測器模型訓練過程中的免除采樣方法，其特征在于，所述步驟3體包括：

設置類別自適應閾值，

其中，θ_j是第j類的閾值，N_j是訓練數據集中第j類樣本的數量。