[發明專利]基于Focal-EIOU的YOLOv4目標檢測方法在審
| 申請號： | 202210160471.3 | 申請日： | 2022-02-22 |
| 公開（公告）號： | CN114548269A | 公開（公告）日： | 2022-05-27 |
| 發明（設計）人： | 焦良葆;陳穎;曹雪虹;孟琳;張嘉超;朱紅 | 申請（專利權）人： | 南京工程學院 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N20/00;G06V10/764;G06V10/774 |
| 代理公司： | 南京鐘山專利代理有限公司 32252 | 代理人： | 徐燕 |
| 地址： | 210000 江蘇*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 focal eiou yolov4 目標 檢測 方法 | ||
本發明公開了一種基于Focal?EIOU的YOLOv4目標檢測算法包括如下步驟：本發明訓練過程采用了平滑標簽以及余弦退火算法優化學習率，并基于CIOU的預測框損失函數存在的問題，采用Focal?EIOU損失函數代替CIOU進行網絡訓練，能夠加速收斂，使目標定位效果更好。利用遷移學習的思想，將訓練分為兩個階段，分別是凍結階段和解凍階段，這一的訓練方式有利于加快訓練速度，也可以在訓練初期防止權值被破壞。
技術領域
本發明涉及人工智能圖像識別技術領域，具體而言涉及一種基于Focal-EIOU的YOLOv4目標檢測方法。
背景技術
YOLO算法作為當前主流的目標檢測算法，從YOLOv1衍生到現在的YOLOv5，其中檢測效果最好的則是YOLOv4，而YOLOv4目標檢測算法中的邊界框損失函數CIOU存在的問題影響了收斂速度，公式中的υ只反映了縱橫比的差異，而不是寬高分別與其置信度的真實差異，所以有時會阻礙模型有效的優化相似性；且無法解決存在的樣本質量不平問題。
專利號為CN113609926A的發明中提及一種基于泛化IOU的改進損失函數的I-YOLOv4算法，將IoU作為訓練指標泛化到損失函數之中，提出了一種基于泛化IOU的改進損失函數的I-YOLOv4算法，但該發明主要研究密集區域內遮擋目標檢測問題，不涉及收斂速度和樣本質量不平的技術問題。
發明內容
本發明針對現有技術中的不足，提供一種基于Focal-EIOU的YOLOv4目標檢測方法，能夠提高收斂速度，使目標檢測定位效果更好。
為實現上述目的，本發明采用以下技術方案：
一種基于Focal-EIOU的YOLOv4目標檢測方法，所述目標檢測方法包括以下步驟：
S1，對樣本標簽進行平滑處理；
S2，根據余弦退火算法優化學習率；
S3，基于YOLOv4網絡構建目標檢測模型，采用Focal-EIOU替換原YOLOv4網絡中的CIOU邊界框損失函數；
S4，利用遷移學習思想，將訓練分為兩個階段，分別是凍結階段和解凍階段，進行網絡訓練；
在網絡訓練時，采用的余弦退火學習率先模擬余弦函數快速下降，使目標檢測模型迅速踏入局部最優點，保存局部最優點的模型；其次開啟熱重啟，使學習率線性上升至一個較大值，以逃離當前的局部最優點，并尋找新的最優點；周期性重復上述過程以加速收斂。
為優化上述技術方案，采取的具體措施還包括：
進一步地，步驟S1中，對樣本標簽進行平滑處理的過程包括以下步驟：
S11，對于二分類樣本，設訓練樣本為(xi,yi)，其中yi為樣本標簽；當采用交叉熵來描述損失函數時，對于每一個樣本i，損失函數為：
S12，經過標簽隨機化之后，新標簽有λ的概率與原標簽不同，有1-λ的概率與原標簽相同；采用隨機化新標簽的損失函數有1-λ的概率與損失函數Li相同，有λ的概率為：
S13，將公式進行加權平均后得到新公式：
y′i＝-λ(1-yi)-(1-λ)yi；
S14，當輸入標簽為0時，用近似數λ進行替換；當輸入標簽為1時，用近似數1-λ進行替換：
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于南京工程學院，未經南京工程學院許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202210160471.3/2.html，轉載請聲明來源鉆瓜專利網。
