一种基于超参数优化的目标检测模型融合方法及融合系统技术方案

本发明专利技术涉及一种基于超参数优化的目标检测模型融合方法及融合系统，所述融合方法包括以下步骤：1)采用至少两个目标检测模型对待测试图片进行目标检测，获得至少两个初始预测结果；2)对所述初始预测结果进行非极大值抑制处理；3)利用预先获得的最优融合超参数对经步骤2)后的初始预测结果进行融合，获得最终预测结果，其中，最优融合超参数由局部随机搜索法优化得到。与现有技术相比，本发明专利技术可以有效利用多个目标检测模型各自的优势，来提高目标检测精度。

【技术实现步骤摘要】
一种基于超参数优化的目标检测模型融合方法及融合系统
本专利技术涉及机器学习和计算机视觉
，涉及一种目标检测方法，尤其是涉及一种基于超参数优化的目标检测模型融合方法及融合系统。
技术介绍
随着机器学习和计算机视觉技术的发展，人们对图像识别任务有了进一步的要求，除了要识别出图像中有何种物体，还需要知道每个物体在图像中的具体位置，进而引入了目标检测任务。目标检测任务，顾名思义就是要检测出图像中的目标，即框出目标在图像中的位置，并且给出其类别信息。在深度学习兴起以前，虽然学术界和工业界对目标检测都有所研究，但由于当时的方法精度都很低，检测速度也很慢，很难应用到实际的生产中，因而目标检测没有受到太广泛的关注。但是近几年，随着深度学习的兴起，尤其是在2012年，深度学习领军人物Hinton及其学生Alex成功地将深度神经网络应用到ImageNet图像识别任务中后，目标检测任务迎来了井喷式的发展。目标检测任务，无论是在检测精度上，还是检测速度上，都比过去有了非常大的提升。近年来，学术界出现的目标检测方法非常多，其大致可以分为两类：一类是一阶段的目标检测方法，如SSD、YOLO、RetinaNet等，另一类是两阶段的目标检测方法，如Faster-RCNN、Mask-RCNN等。一阶段目标检测方法由于所有的学习和推断都是端到端的，速度非常快；而两阶段目标检测方法由于可以对生成的候选框进行两次分类和边框回归，通常能达到较高的精度。由于现有目标检测方法在检测精度和速度上都有着较好的表现，其在工业界也受到了越来越广泛的关注，也有越来越多的个人和组织将其进行适配改造，应用到现实生活中的方方面面，如安防、新零售、无人驾驶、工业质检、医学诊断等领域。尽管如此，在很多领域中，目标检测算法的应用还存在一些问题，即单一的算法很难满足现实生产的要求。譬如在新零售领域，目标检测算法A在比较大的商品上表现很好，但是小商品上表现不好，而目标检测算法B则在小商品上表现较好，在大商品上表现平平；在无人驾驶领域，目标检测算法C能准确识别出前方出现的目标，但是其定位效果较差，而目标检测算法D能精确定位前方出现的目标，但是其容易错判目标的类别。虽然现有的特征融合方法和集成学习方法都能缓解单一算法无法满足精度要求的问题，但是特征融合方法很难利用不同目标检测方法的具体学习策略，因而难以比较大程度地发挥多个模型各自的优势；而传统集成学习比较适用于一般的分类任务，对目标检测这种需要同时兼顾类别、位置和预测分数的任务，比较难直接套用一种经典的集成学习方法来提升其效果。
技术实现思路
本专利技术的目的在于克服上述现有技术存在的缺陷而提供一种提高目标检测精度的基于超参数优化的目标检测模型融合方法及融合系统。本专利技术的目的可以通过以下技术方案来实现：一种基于超参数优化的目标检测模型融合方法，包括以下步骤：1)采用至少两个目标检测模型对待测图片进行目标检测，获得至少两个初始预测结果；2)对所述初始预测结果进行非极大值抑制处理；3)利用预先获得的最优融合超参数对经步骤2)后的初始预测结果进行融合，获得最终预测结果，其中，最优融合超参数由局部随机搜索法优化得到。进一步地，在所述步骤2)的非极大值抑制处理中，对物体包围框进行过滤采用的阈值为0.05-0.15。进一步地，所述步骤3)中，若目标检测模型包括模型M1和M2，则对初始预测结果进行融合的方式具体为：计算两个预测结果中包围框的交并比，若交并比大于第一阈值，则判定各包围框检测出的物体属于同一个物体；若某个物体仅被M1预测出，则仅在该物体的预测分值大于第二阈值时，保留该物体，否则将该物体从预测结果中删除；若某个物体仅被M2预测出，则仅在该物体的预测分值大于第三阈值时，保留该物体，否则将该物体从预测结果中删除；在某个物体被M1和M2中同时预测出时，若该物体来自M1的预测结果，则在该物体的预测分值大于第四阈值，保留该物体，否则将该物体从预测结果中删除；若该物体来自M2的预测结果，则在该物体的预测分值大于第五阈值，保留该物体，否则将该物体从预测结果中删除；所述第一阈值、第二阈值、第三阈值、第四阈值和第五阈值为所述最优融合超参数。进一步地，所述采用局部随机搜索法来获得最优融合超参数的具体步骤为：101)在设定范围内随机获得一组超参数；102)利用各个所述目标检测模型在一已知检测真值的验证集上获得对应初始预测结果；103)利用所述超参数对各初始预测结果进行融合，获得最终预测结果；104)对验证集上的最终检测结果进行评价，获得检测精度；105)判断是否完成总搜索次数，若是，则以检测精度最高的一组超参数作为最优融合超参数，若否，则返回步骤101)。本专利技术还提供一种基于超参数优化的目标检测模型融合系统，包括：多个目标初检测模块，用于对待测图片进行目标检测，获得对应的初始预测结果；非极大值抑制模块，用于对多个目标初检测模块获得的所述初始预测结果进行非极大值抑制处理；融合模块，用于利用预先获得的最优融合超参数对经非极大值抑制处理后的初始预测结果进行融合，获得最终预测结果，其中，最优融合超参数由局部随机搜索法优化得到。进一步地，在所述非极大值抑制处理中，对物体包围框进行过滤采用的阈值为0.05-0.15。进一步地，所述融合模块中，若目标检测模型包括模型M1和M2，则对初始预测结果进行融合的方式具体为：计算两个预测结果中包围框的交并比，若交并比大于第一阈值，则判定各包围框检测出的物体属于同一个物体；若某个物体仅被M1预测出，则仅在该物体的预测分值大于第二阈值时，保留该物体，否则将该物体从预测结果中删除；若某个物体仅被M2预测出，则仅在该物体的预测分值大于第三阈值时，保留该物体，否则将该物体从预测结果中删除；在某个物体被M1和M2中同时预测出时，若该物体来自M1的预测结果，则在该物体的预测分值大于第四阈值，保留该物体，否则将该物体从预测结果中删除；若该物体来自M2的预测结果，则在该物体的预测分值大于第五阈值，保留该物体，否则将该物体从预测结果中删除；所述第一阈值、第二阈值、第三阈值、第四阈值和第五阈值为所述最优融合超参数。进一步地，所述采用局部随机搜索法来获得最优融合超参数的具体步骤为：101)在设定范围内随机获得一组超参数；102)利用各个所述目标检测模型在一已知检测真值的验证集上获得对应初始预测结果；103)利用所述超参数对各初始预测结果进行融合，获得最终预测结果；104)对验证集上的最终检测结果进行评价，获得检测精度；105)判断是否完成总搜索次数，若是，则以检测精度最高的一组超参数作为最优融合超参数，若否，则返回步骤101)。与现有技术相比，本专利技术具有如下有益效果：第一，本专利技术首次提出了目标检测的预测融合，可以有效利用多个目标检测模型各自的优势，来提高目标检测精度。...

【技术保护点】
1.一种基于超参数优化的目标检测模型融合方法，其特征在于，包括以下步骤：/n1)采用至少两个目标检测模型对待测图片进行目标检测，获得至少两个初始预测结果；/n2)对所述初始预测结果进行非极大值抑制处理；/n3)利用预先获得的最优融合超参数对经步骤2)后的初始预测结果进行融合，获得最终预测结果，其中，最优融合超参数由局部随机搜索法优化得到。/n

【技术特征摘要】
1.一种基于超参数优化的目标检测模型融合方法，其特征在于，包括以下步骤：
1)采用至少两个目标检测模型对待测图片进行目标检测，获得至少两个初始预测结果；
2)对所述初始预测结果进行非极大值抑制处理；
3)利用预先获得的最优融合超参数对经步骤2)后的初始预测结果进行融合，获得最终预测结果，其中，最优融合超参数由局部随机搜索法优化得到。


2.根据权利要求1所述的基于超参数优化的目标检测模型融合方法，其特征在于，在所述步骤2)的非极大值抑制处理中，对物体包围框进行过滤采用的阈值为0.05-0.15。


3.根据权利要求1所述的基于超参数优化的目标检测模型融合方法，其特征在于，所述步骤3)中，若目标检测模型包括模型M1和M2，则对初始预测结果进行融合的方式具体为：
计算两个预测结果中包围框的交并比，若交并比大于第一阈值，则判定各包围框检测出的物体属于同一个物体；
若某个物体仅被M1预测出，则仅在该物体的预测分值大于第二阈值时，保留该物体，否则将该物体从预测结果中删除；
若某个物体仅被M2预测出，则仅在该物体的预测分值大于第三阈值时，保留该物体，否则将该物体从预测结果中删除；
在某个物体被M1和M2中同时预测出时，若该物体来自M1的预测结果，则在该物体的预测分值大于第四阈值，保留该物体，否则将该物体从预测结果中删除；若该物体来自M2的预测结果，则在该物体的预测分值大于第五阈值，保留该物体，否则将该物体从预测结果中删除；
所述第一阈值、第二阈值、第三阈值、第四阈值和第五阈值为所述最优融合超参数。


4.根据权利要求1所述的基于超参数优化的目标检测模型融合方法，其特征在于，所述采用局部随机搜索法来获得最优融合超参数的具体步骤为：
101)在设定范围内随机获得一组超参数；
102)利用各个所述目标检测模型在一已知检测真值的验证集上获得对应初始预测结果；
103)利用所述超参数对各初始预测结果进行融合，获得最终预测结果；
104)对验证集上的最终检测结果进行评价，获得检测精度；
105)判断是否完成总搜索次数，若是，则以检测精度最高的一组超参数作为最优融合超参数，若否，则返回步骤101)。


5.一...

【专利技术属性】
技术研发人员：罗长志，
申请(专利权)人：聚时科技上海有限公司，
类型：发明
国别省市：上海;31