[發明專利]一種根據物體的統計特性自適應的選擇正負樣本的方法

在審

• 申請號: 202011501523.6
• 申請日: 2020-12-16
• 公開（公告）號: CN112598048A
• 公開（公告）日: 2021-04-02
• 發明（設計）人: 李澤輝;楊淑愛;李俊宇;黃坤山;謝克慶
• 申請（專利權）人: 佛山市南海區廣工大數控裝備協同創新研究院;佛山市廣工大數控裝備技術發展有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06F17/18
• 代理公司: 廣州科沃園專利代理有限公司 44416
• 代理人: 馬盼

一種根據物體的統計特性自適應的選擇正負樣本的方法，步驟如下：分析找尋基于錨點定位的檢測網絡和不基于錨點定位的檢測網絡方法的區別，去除掉S1中兩種檢測網絡以外的影響，保持兩種檢測網絡采用相同損失函數，并采用相同優化方法進行訓練后進行對比，分析兩種網絡在目標檢測中的分類任務實現方法上的區別，分析兩種檢測網絡在目標檢測中的回歸任務實現方法上的區別，確定更好的候選正樣本，實驗利用一個根據物體的統計特性自適應的選擇正負樣本的方法來構建網絡，和原始的兩種檢測網絡進行對比實驗，得出結論，本發明提出了基于物體統計特性自適應的選擇正負樣本的方法和對應使用流程，未增加任何開銷，應用效果大幅度提升。

技術領域

本發明涉及深度學習計算機視覺領域，具體地，涉及一種根據物體的統計特性自適應的選擇正負樣本的方法。

背景技術

在目標檢測的領域，主要的檢測模型的構建思路有基于錨點定位和不基于錨點定位兩種，不基于錨點定位的方法一般有兩種：一種是定位可以包圍物體的預定義的特征點，稱為基于關鍵點方法，另一種是使用物體的中心點或者物體的區域來定義正樣本，然后預測該正樣本點到4個邊的距離，這種稱為基于中心點方法。這兩種方法中，基于關鍵點方法是繼承了特征點檢測的方法，和基于錨點定位方法差別較大，而基于中心點定位方法則把點看做是樣本，這和基于錨點定位方法中把錨看做是樣本是非常相似的。而這兩種物體檢測方法發現本質區別在于如何選擇樣本，通過實驗驗證了這個想法，并提出了一種自動選取樣本的方法，在不引入任何計算量的情況下，提升了效果，同時顯著縮小了基于錨點定位和不基于錨點定位方法之間的差距，并且可以認為是沒有任何超參數。

發明內容

本發明提供的一種根據物體的統計特性自適應的選擇正負樣本的方法，通過實驗找尋基于錨點定位和基于錨點定位物體檢測方法的本質區別，最后得到可以利用一個根據物體的統計特性自適應的選擇正負樣本的方法，提升了性能，同時顯著縮小了基于錨點定位和基于錨點定位方法之間的差距，在不引入任何計算量的情況下，用于提升一階段檢測模型的檢測精度。

具體包括如下步驟：

S1、找尋基于錨點定位的檢測網絡和不基于錨點定位的檢測網絡方法的區別；

S2、去除掉S1中所述基于錨點定位的檢測網絡及不基于錨點定位的檢測網絡以外的對比網絡在損失函數定義上的差異，保持所述基于錨點定位的檢測網絡和不基于錨點定位的檢測網絡采用相同的損失函數，并采用相同的優化方法進行訓練后進行對比；

S3、找尋基于錨點定位的檢測網絡和不基于錨點定位的檢測網絡兩種網絡在目標檢測中的分類任務實現方法上的區別；

S4、找尋基于錨點定位的檢測網絡和不基于錨點定位的檢測網絡兩種網絡在目標檢測中的回歸任務實現方法上的區別；

S5、根據S3與S4步驟篩選數據，依據閾值自適應的判斷出正樣本與負樣本；

S6、利用根據物體的統計特性來構建網絡，和原始的基于錨點定位的檢測網絡和不基于錨點定位的檢測網絡進行對比實驗；

S7、通過實驗的數據分析得到該方法的可靠性以及提升的效果的結論。

進一步地，在步驟S1中，具體包括如下步驟：

S11、確定每個空間位置的樣本數量；

S12、確定正負樣本的定義條件；

S13、確定回歸的初始狀態。

進一步地，步驟S2的具體方式為：去除掉在檢測頭上加組歸一化，使用GIoU損失函數，限制標簽矩形框的正樣本，引入中心度分支，在特征金字塔中引入可訓練的尺度參數s，基于錨點定位的檢測網絡和不基于錨點定位的檢測網絡只有兩個差別，一個和分類子任務相關，也就是定義正負樣本的方法，另一個和回歸子任務相關，也就是回歸的起點是錨框或錨點。