[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

本發明公開了一種基于特征匹配優化的無錨框目標檢測網絡訓練方法，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。本發明提供的基于特征匹配優化的無錨框目標檢測網絡訓練方法，優化了對長條、密集目標的特征表示，提高了目標檢測模型網絡的性能，對單階段和雙階段目標檢測器的訓練具有重要意義，對于自然場景、醫學、遙感等領域的視覺目標檢測具有應用價值。

技術領域

本發明涉及計算機視覺技術領域，具體涉及一種基于特征 匹配優化的無錨框目標檢測網絡訓練方法(FreePoint方法)。

背景技術

近年來，卷積神經網絡(CNN)在計算機視覺目標檢測中 取得了良好的性能。為了表示各種外觀、長寬比和姿勢的目標， 許多基于CNN的檢測器都將大小不同的錨框用作目標定位的 參考點。2019年，隨著無錨框檢測器的提出，卷積神經網絡特 征圖上的特征被當作目標定位的參考點。

錨框或者特征(此處的特征指代CNN特征圖上的包含所有 特征通道的向量)匹配機制都基于“與目標在空間上對齊的錨 框或特征是最適合分類和定位的”假設。

但是，錨框與真實框重疊交并比(IoU)或者特征是否位 于真實框內不是最佳的誤差函數計算機制。原因是：一方面， 對于不規則形狀的目標(例如細長的物體)，最具代表性的特征 不靠近其幾何中心，空間對齊的錨框或者特征可能對應于代表 性較差的特征，這會導致分類和定位的效果變差；另一方面， 當多個目標聚集在一起時，使用IoU準則將具有適當特征的目 標匹配是不可行的。

因此，有必要提供一種能夠解決上述問題的目標檢測方法。

發明內容

為了克服上述問題，本發明人進行了銳意研究，設計出一 種基于特征匹配優化的無錨框目標檢測網絡訓練方法，該方法 通過構建特征集合進行特征-目標匹配，不依賴于錨框，同時引 入正錨匹配函數和負錨匹配函數，將單個特征概率與匹配至目 標或背景的特征集合的概率聯系起來，顯著改善了無錨框目標 檢測中遮擋、長條和密集目標的檢測效果，提升了目標檢測精 度和召回率，從而完成了本發明。

具體來說，本發明的目的在于提供以下方面：

第一方面，提供一種基于特征匹配優化的無錨框目標檢測 網絡訓練方法，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。

第二方面，提供一種基于特征匹配優化的無錨框目標檢測 方法，所述檢測方法包括采用上述的訓練方法對檢測網絡進行 訓練的步驟；

優選地，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(NMS)， 得到最終檢測輸出。

第三方面，提供一種計算機可讀存儲介質，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。

第四方面，提供一種計算機設備，包括存儲器和處理器， 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。

本發明所具有的有益效果包括：