[發(fā)明專利]一種基于faster-RCNN提高小目標檢測效果的方法

在審

• 申請?zhí)枺?/td>: 202010724150.2
• 申請日: 2020-07-24
• 公開（公告）號: CN111986160A
• 公開（公告）日: 2020-11-24
• 發(fā)明（設(shè)計）人: 王堃;王銘宇;吳晨
• 申請（專利權(quán)）人: 成都恒創(chuàng)新星科技有限公司
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/136;G06K9/62;G06N3/04;G06N3/08;G06T3/40
• 代理公司: 成都弘毅天承知識產(chǎn)權(quán)代理有限公司 51230
• 代理人: 馬林中

本發(fā)明公開了一種基于faster?RCNN提高小目標檢測效果的方法，屬于目標檢測領(lǐng)域。本發(fā)明包括：獲取數(shù)據(jù)集，并按照相應(yīng)比例劃分成訓(xùn)練集及測試集；構(gòu)建faster?RCNN模型；利用訓(xùn)練集對模型進行訓(xùn)練，在訓(xùn)練時，若在第n次迭代中，小目標的loss值達到了預(yù)設(shè)條件，則在第n+1次迭代中，將多張圖片進行縮小，然后拼接成原圖大小，再進行訓(xùn)練；在訓(xùn)練結(jié)束后，利用測試集對模型進行測試，得到AP值，若小于設(shè)定的閾值，則修改相應(yīng)參數(shù)，重新訓(xùn)練，直到模型的小目標AP值達到設(shè)定的閾值；利用訓(xùn)練好的模型進行小目標的檢測。本發(fā)明能夠使小目標的分布更加均勻，進而提高小目標訓(xùn)練的充分度，從而提高小目標的檢測精度。

技術(shù)領(lǐng)域

本發(fā)明涉及目標檢測領(lǐng)域，尤其涉及一種基于faster-RCNN提高小目標檢測效果的方法。

背景技術(shù)

目標檢測即找出圖像中所有感興趣的物體，包含物體定位和物體分類兩個子任務(wù)，同時確定物體的類別和位置。目標檢測是計算機視覺的一個熱門研究方向，廣泛應(yīng)用于自動駕駛、智能工業(yè)檢測、智能監(jiān)控等諸多領(lǐng)域，通過利用計算機視覺，自動對圖片進行處理，減少了人力勞動，具有很強的現(xiàn)實意義。

因此，目標檢測算法成為近年來的研究熱點。近期，比較流行的目標檢測算法有兩類，一種是One-Stage的目標檢測算法，主要有YOLO算法、SSD算法；另一種是Two-Stage的目標檢測算法,如faster-RCNN。

然而，目標檢測在實際的應(yīng)用中，往往出現(xiàn)小目標的檢測效果遠不如大目標和中目標。小目標的AP值要比中目標和大目標的AP值低10％到20％，這說明小目標的檢測效果不理想。在COCO數(shù)據(jù)集中，小目標指的是區(qū)域面積小于32*32像素，中目標指的是區(qū)域面積大于32*32像素且小于96*96像素,大目標指的是區(qū)域面積大于96*96像素。

COCO數(shù)據(jù)集是大型的，與目標檢測相關(guān)的數(shù)據(jù)集。在COCO數(shù)據(jù)集中，經(jīng)統(tǒng)計發(fā)現(xiàn)，在所有的檢測框中，有41％的檢測框是小目標，然而卻只有52％的圖片中包含了小目標。與之相比，有73％的圖片包含中目標，有83％的圖片包含大目標。這也就說明了，小目標的數(shù)量很多，但分布遠不及中目標和大目標均勻。

在實驗中，小目標的loss較低，這說明對小目標的訓(xùn)練不夠充分。因此可以猜測，由于小目標的分布不均勻，導(dǎo)致小目標的loss較低，進而使得小目標訓(xùn)練不夠充分，從而導(dǎo)致小目標的檢測效果差。

同時，目標檢測在實際的應(yīng)用中，往往出現(xiàn)小目標的檢測效果遠不如大目標和中目標。小目標的AP值要比中目標和大目標的AP值小10％到20％，這說明小目標的檢測效果不理想。

現(xiàn)有的目標檢測算法，如SSD算法、faster-RCNN算法、YOLO算法，小目標的檢測效果遠不如大目標和中目標的問題還沒有一種普適、可靠的算法來解決。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于faster-RCNN提高小目標檢測效果的方法，解決小目標檢測效果不好的問題，能夠提高小目標的檢測精度。

本發(fā)明解決其技術(shù)問題，采用的技術(shù)方案是：一種基于faster-RCNN提高小目標檢測效果的方法，包括如下步驟：

步驟1、獲取數(shù)據(jù)集，并按照相應(yīng)比例將數(shù)據(jù)集劃分成訓(xùn)練集及測試集；

步驟2、構(gòu)建faster-RCNN模型；

步驟3、利用所述訓(xùn)練集對構(gòu)建的faster-RCNN模型進行訓(xùn)練，在對模型進行訓(xùn)練的過程中，如果在第n次迭代中，小目標的loss值如果達到了預(yù)設(shè)條件，那么在第n+1次迭代中，將多張圖片進行縮小，然后拼接成原圖大小，再進行訓(xùn)練；

步驟4、在訓(xùn)練結(jié)束后，利用所述測試集對模型進行測試，得到AP值，若得到的AP值小于設(shè)定的閾值，則修改相應(yīng)參數(shù)，重新訓(xùn)練，直到模型的小目標AP值達到設(shè)定的閾值；