[發(fā)明專利]一種基于改進(jìn)損失函數(shù)的MDSSD人臉檢測方法

有效

• 申請?zhí)枺?/td>: 202011047720.5
• 申請日: 2020-09-29
• 公開（公告）號: CN112163520B
• 公開（公告）日: 2022-02-15
• 發(fā)明（設(shè)計(jì)）人: 王智文;安曉寧;王宇航
• 申請（專利權(quán)）人: 廣西科技大學(xué)
• 主分類號: G06V40/16
• 分類號: G06V40/16;G06V10/762;G06V10/774;G06V10/764;G06K9/62
• 代理公司: 南京禹為知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 32272
• 代理人: 朱寶慶

1.一種基于改進(jìn)損失函數(shù)的MDSSD人臉檢測方法，其特征在于：包括，

MDSSD網(wǎng)絡(luò)利用先驗(yàn)框機(jī)制對人臉區(qū)域檢測并對候選區(qū)域進(jìn)行分類和框回歸；

根據(jù)k-means對Ground Truth框進(jìn)行聚類分析，尋找最佳的先驗(yàn)框數(shù)量、大小和比例；

所述MDSSD網(wǎng)絡(luò)將Focalloss代替分類網(wǎng)絡(luò)中的交叉熵?fù)p失函數(shù)，對聚類分析后的所述先驗(yàn)框進(jìn)行人臉和背景的檢測分類；所述MDSSD網(wǎng)絡(luò)包括，

對深層特征圖或深層融合層進(jìn)行0填充，結(jié)合3*3卷積對填充特征圖進(jìn)行反卷積運(yùn)算，在保證感受野范圍不變的條件下使所述特征圖的分辨率翻倍；

利用與淺層特征圖通道維度相同的卷積核數(shù)量以保證所述反卷積運(yùn)算輸出維度與所述淺層融合特征圖維度匹配；

MDSSD特征融合時(shí)只對所述淺層特征圖與反卷積特征圖對應(yīng)位置進(jìn)行相加運(yùn)算，以增強(qiáng)有效上下文信息；

所述MDSSD通過在融合層添加激活層以進(jìn)行非線性映射，并將激活后的所述融合層作為最終的檢測特征圖；

包括，

所述MDSSD網(wǎng)絡(luò)將SSD作為基礎(chǔ)網(wǎng)絡(luò)模型；

剔除SSD網(wǎng)絡(luò)中Block6和Block7的dropout層；

添加多層融合Mixedlayer3和單層融合Mixedlayer4和Mixedlayer7；

所述MDSSD網(wǎng)絡(luò)模型還增加了L2Normalization層以減小與檢測層的差異；

所述先驗(yàn)框機(jī)制需要考慮有效感受野，包括，

卷積神經(jīng)網(wǎng)絡(luò)中層與層之間均為局部相連，使得神經(jīng)元無法對原始圖像的所有信息進(jìn)行感知；

若所述感受野越大，則獲取的全局信息越多，即所述特征圖所包含的全局的、高級的語義特征越豐富；

若神經(jīng)元感受野越小，則所述特征圖所包含的特征越低級，所包含的信息更多是局部和紋理；

還包括，

所述先驗(yàn)框需要與所述Ground Truth框進(jìn)行匹配以劃分正負(fù)樣本；

若所述先驗(yàn)框大小、比例與真實(shí)的所述Ground Truth框差距越大，則計(jì)算交并比的誤差越大；

若所述先驗(yàn)框大小、比例與真實(shí)的所述Ground Truth框差距越小，則計(jì)算交并比的誤差越小。

2.根據(jù)權(quán)利要求1所述的基于改進(jìn)損失函數(shù)的MDSSD人臉檢測方法，其特征在于：利用自定義IOU距離作為度量距離進(jìn)行所述聚類分析，包括，

d_IOU(box,centroid)＝1-IOU(box,centroid)

聚類的損失是所述Ground Truth框與簇中心的所述IOU距離，若所述IOU距離越小，則IOU值越大；

定義簇?cái)?shù)k并隨機(jī)初始化簇中心(W_i,H_i),i∈{1,2,…,k}，其中，W_i,H_i分別表示簇中心的長和寬；

將所述簇中心與所述Ground Truth框中心置于坐標(biāo)原點(diǎn)并計(jì)算每個(gè)Ground Truth框與所述簇的所述IOU距離；

對所述Ground Truth框分配為IOU距離最小的簇，當(dāng)所有的所述Ground Truth框分配完畢后重新計(jì)算所述簇中心；

不斷更新直至所述簇中心不再改變，將所述簇中心的中位數(shù)作為最終的先驗(yàn)框大小和比例。

3.根據(jù)權(quán)利要求2所述的基于改進(jìn)損失函數(shù)的MDSSD人臉檢測方法，其特征在于：還包括，

利用肘策略確定最佳的簇?cái)?shù)，當(dāng)k＝17時(shí)，所述損失函數(shù)下降緩慢趨于平穩(wěn)，綜合考慮各個(gè)檢測層設(shè)置，確定最佳聚類簇?cái)?shù)為17。

4.根據(jù)權(quán)利要求3所述的基于改進(jìn)損失函數(shù)的MDSSD人臉檢測方法，其特征在于：所述損失函數(shù)包括，

其中，x為樣本標(biāo)簽，y'為模型輸出值，α為樣本平衡因子，γ是樣本權(quán)重調(diào)節(jié)因子。

5.根據(jù)權(quán)利要求4所述的基于改進(jìn)損失函數(shù)的MDSSD人臉檢測方法，其特征在于：還包括，

當(dāng)x＝1時(shí)，即輸入為正樣本，則預(yù)測值越大，所述樣本越容易分類，且樣本權(quán)重越小。

6.根據(jù)權(quán)利要求5所述的基于改進(jìn)損失函數(shù)的MDSSD人臉檢測方法，其特征在于：還包括，

所述樣本平衡因子α可以調(diào)節(jié)正負(fù)樣本在損失函數(shù)中的比重，且在模型訓(xùn)練過程中設(shè)置α＝0.25，γ＝2。