[發明專利]一種基于特征匹配優化的無錨框目標檢測網絡訓練方法

有效

• 申請號: 202010778936.2
• 申請日: 2020-08-05
• 公開（公告）號: CN112001428B
• 公開（公告）日: 2021-08-17
• 發明（設計）人: 葉齊祥;張小松;萬方;馬金戈;季向陽
• 申請（專利權）人: 中國科學院大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京康思博達知識產權代理事務所(普通合伙) 11426
• 代理人: 潘煒;劉冬梅

1.一種基于特征匹配優化的無錨框目標檢測網絡訓練方法，其特征在于，所述訓練方法包括以下步驟：

步驟1，獲取待檢測圖像的目標檢測特征圖；

步驟2，根據特征圖，獲得所有特征對應的預測框坐標和分類；

步驟3，進行特征與目標、背景的匹配；

步驟3包括以下子步驟：

步驟3-1，構造每個目標的特征集合；

步驟3-2，獲得單個特征正確預測目標的概率；

步驟3-2中，采用下式獲得特征a_j正確預測第i個目標的概率:

其中，表示在網絡參數θ的情況下a_j的分類置信度，表示在網絡參數θ的情況下a_j的位置置信度，b_i表示真實目標框，β表示平衡回歸誤差和分類誤差的正則化因子；表示單個正特征的分類誤差函數，表示單個正特征的定位誤差函數，l_reg(·)表示Smooth L1 Loss回歸誤差，即網絡位置預測值與真實目標框b_i之間的回歸誤差；

步驟3-3，獲得特征集合的概率；

步驟3-4，對網絡參數和特征-目標匹配進行優化。

2.根據權利要求1所述的訓練方法，其特征在于，步驟1包括以下子步驟：

步驟1-1，將有標注的待檢測圖像放縮至固定大小，然后輸入特征提取網絡；

步驟1-2，采用特征提取網絡提取待檢測圖像不同尺度的特征圖。

3.根據權利要求1所述的訓練方法，其特征在于，步驟3-1中，根據特征是否在訓練樣本目標框內，確定特征是否負責預測該訓練樣本目標框對應的目標，

其中，如果特征位于訓練樣本目標框內，即認為該特征負責預測該真實目標框對應的目標，此特征稱為正特征；若特征位于真實目標框外，即認為該特征預測背景，稱為負特征。

4.根據權利要求1所述的訓練方法，其特征在于，步驟3-3中，通過下式獲得特征集合的匹配概率：

其中，

表示特征集合的召回率，表示特征集合的精度；Y_i∈{0,1}是一個二值變量，指示特征集合A_i是否可以預測目標b_i；y_ij∈{0,1}是一個二值變量，用于指示特征a_j是否可以預測目標b_i；M+是正特征匹配函數；M-是負特征匹配函數；

φ_i表示第i個目標的特征集合；φ_ij表示第i個目標的特征集合中的第j個特征預測目標的概率。

5.根據權利要求1所述的訓練方法，其特征在于，步驟3-4中，通過下式對網絡參數和特征-目標匹配進行優化：

其中，表示特征匹配損失，表示焦點損失；特征匹配損失和焦點損失被設置為相同權重，K表示正特征的數量，N表示負特征的數量，γ表示焦點損失的指數參數；A-表示負特征的集合。

6.一種基于特征匹配優化的無錨框目標檢測方法，其特征在于，所述檢測方法包括采用權利要求1至5之一所述的訓練方法對檢測網絡進行訓練的步驟；

在獲得訓練好的檢測器后，按照包括以下步驟的方法進行檢測：

步驟I，將待檢測有標注圖像放縮至固定大小后輸入特征提取網絡提取不同尺度的特征圖；

步驟II，將得到的特征圖輸入檢測器得到所有特征對應的預測框偏移值和分類值；

步驟III，將所有預測框進行非局部極大值抑制，得到最終檢測輸出。

7.一種計算機可讀存儲介質，其特征在于，存儲有基于特征匹配優化的無錨框目標檢測網絡訓練程序，所述程序被處理器執行時，使得處理器執行權利要求1至5之一所述基于特征匹配優化的無錨框目標檢測網絡訓練方法的步驟。

8.一種計算機設備，包括存儲器和處理器，其特征在于，所述存儲器存儲有基于特征匹配優化的無錨框目標檢測網絡訓練程序，所述程序被處理器執行時，使得處理器執行權利要求1至5之一所述基于特征匹配優化的無錨框目標檢測網絡訓練方法的步驟。