[發(fā)明專利]一種基于感受野感知的無(wú)錨點(diǎn)框目標(biāo)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110280998.5
• 申請(qǐng)日: 2021-03-16
• 公開（公告）號(hào): CN113033638A
• 公開（公告）日: 2021-06-25
• 發(fā)明（設(shè)計(jì)）人: 張弘;李旭亮;李亞偉
• 申請(qǐng)（專利權(quán)）人: 蘇州海宸威視智能科技有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明公開了一種基于感受野感知的無(wú)錨點(diǎn)框目標(biāo)檢測(cè)方法，將感受野作為錨點(diǎn)框，具有由23個(gè)卷積層構(gòu)成并且分為三大檢測(cè)單元的網(wǎng)絡(luò)；所述三大檢測(cè)單元分別為小尺度目標(biāo)檢測(cè)單元、中等尺度目標(biāo)檢測(cè)單元和大尺寸目標(biāo)檢測(cè)單元；每一個(gè)單元根據(jù)感受野大小選擇兩個(gè)分支進(jìn)行分類與回歸操作，共可以獲得6個(gè)檢測(cè)分支，每?jī)蓚€(gè)分支負(fù)責(zé)對(duì)不同尺度的各自單元目標(biāo)進(jìn)行檢測(cè)；其中，分類分支用于確定所檢測(cè)的目標(biāo)是否為所需要的目標(biāo)，回歸分支用于獲取目標(biāo)框的位坐標(biāo)信息。這種基于感受野感知的無(wú)錨點(diǎn)框目標(biāo)檢測(cè)方法舍棄了傳統(tǒng)的錨點(diǎn)框引入，整體結(jié)構(gòu)簡(jiǎn)單，無(wú)多余分支，相比較傳統(tǒng)的SSD以及FasterRCNN方法，在檢測(cè)進(jìn)度和檢測(cè)速度上都有明顯的優(yōu)勢(shì)。

技術(shù)領(lǐng)域

本發(fā)明涉及視頻圖像處理領(lǐng)域，尤其涉及一種基于感受野感知的無(wú)錨點(diǎn)框目標(biāo)檢測(cè)方法。

背景技術(shù)

目標(biāo)檢測(cè)技術(shù)在計(jì)算機(jī)視覺(jué)領(lǐng)域中是一項(xiàng)非常具有研究意義的課題，其主要任務(wù)是預(yù)測(cè)物體的位置以及種類。

目前，主流的經(jīng)典檢測(cè)模型無(wú)論是單階段的檢測(cè)模型，如SSD,YOLO目標(biāo)檢測(cè)算法，還是兩階段的檢測(cè)模型，如Faster R-CNN等，都是基于一系列預(yù)先設(shè)置好超參數(shù)的錨點(diǎn)框，通過(guò)在不同特征層上設(shè)置不同的尺度的錨點(diǎn)框，實(shí)現(xiàn)更高的概率出現(xiàn)對(duì)于目標(biāo)物體有良好匹配度的目標(biāo)框。

但是，基于錨點(diǎn)框設(shè)置的目標(biāo)檢測(cè)方法卻有面臨著以下挑戰(zhàn)：1.錨點(diǎn)框的尺度設(shè)計(jì)無(wú)法完全覆蓋所有的目標(biāo)檢測(cè)物體，每遇到一個(gè)全新的數(shù)據(jù)集都需要根據(jù)數(shù)據(jù)集的特點(diǎn)重新設(shè)置錨點(diǎn)框的數(shù)量和縱橫比，限制了檢測(cè)模型的通用性和魯棒性；2.將錨點(diǎn)框與真實(shí)框進(jìn)行匹配是依賴于IoU參數(shù)的設(shè)置決定的，其閾值往往是依據(jù)經(jīng)驗(yàn)設(shè)定；3.根據(jù)針對(duì)不同尺寸的目標(biāo)檢測(cè)物體設(shè)置的錨點(diǎn)框的數(shù)量，往往會(huì)增加冗余計(jì)算，計(jì)算耗時(shí)等等；4.過(guò)多設(shè)置的錨點(diǎn)框在實(shí)際處理中會(huì)被標(biāo)注為負(fù)樣本，增加了正負(fù)樣本數(shù)量上的不均衡，影響分類器的訓(xùn)練。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問(wèn)題是，提供一種基于感受野感知的無(wú)錨點(diǎn)框目標(biāo)檢測(cè)方法，其舍棄了傳統(tǒng)的錨點(diǎn)框引入，整體結(jié)構(gòu)更簡(jiǎn)單，無(wú)多余分支，檢測(cè)進(jìn)度和檢測(cè)速度更為明顯。

為了解決上述技術(shù)問(wèn)題，本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的：一種基于感受野感知的無(wú)錨點(diǎn)框目標(biāo)檢測(cè)方法，將感受野作為錨點(diǎn)框，具有由23個(gè)卷積層構(gòu)成并且分為三大檢測(cè)單元的網(wǎng)絡(luò)；所述三大檢測(cè)單元分別為小尺度目標(biāo)檢測(cè)單元、中等尺度目標(biāo)檢測(cè)單元和大尺寸目標(biāo)檢測(cè)單元；每一個(gè)單元根據(jù)感受野大小選擇兩個(gè)分支進(jìn)行分類與回歸操作，共可以獲得6個(gè)檢測(cè)分支，每?jī)蓚€(gè)分支負(fù)責(zé)對(duì)不同尺度的各自單元目標(biāo)進(jìn)行檢測(cè)；其中，分類分支用于確定所檢測(cè)的目標(biāo)是否為所需要的目標(biāo)，回歸分支用于獲取目標(biāo)框的位坐標(biāo)信息。

進(jìn)一步地，所述網(wǎng)絡(luò)總體由3×3卷積核、1×1卷積核、ReLu激活函數(shù)以及殘差邊連接構(gòu)成。

進(jìn)一步地，所述感受野的計(jì)算公式如下：

其中，l_k-1為第k-1層對(duì)應(yīng)的感受野大小，f_k為第k層的卷積核大小；根據(jù)上述公式可以得到所提出的檢測(cè)框架各個(gè)卷積層對(duì)應(yīng)的感受野大小，通過(guò)數(shù)據(jù)增廣方法增加光噪聲、更改亮度對(duì)比度，隨機(jī)水平翻轉(zhuǎn)，其中以0.5的概率對(duì)子圖進(jìn)行隨機(jī)翻轉(zhuǎn)，通過(guò)損失函數(shù)根據(jù)損失值對(duì)負(fù)樣本排序，以正負(fù)樣本1:10的比例選取排名靠前的負(fù)樣本。

進(jìn)一步地，所述損失函數(shù)是分類損失和回歸損失的加權(quán)和。

進(jìn)一步地，所述分類損失采用交叉熵?fù)p失，所述交叉熵?fù)p失函數(shù)公式如下：

其中，H為交叉熵的計(jì)算值，即損失的計(jì)算值；p為真實(shí)概率分布，即分類函數(shù)的預(yù)測(cè)概率值；q為非真實(shí)概率分布，即分類函數(shù)的預(yù)測(cè)概率值的補(bǔ)集；i為每一個(gè)類別的下標(biāo)。

進(jìn)一步地，所述回歸損失采用Smooth L1損失函數(shù)，其公式如下：