一种基于样本损失的多检测框损失均衡道路场景理解算法制造技术

本发明专利技术公开了一种基于样本损失的多检测框损失均衡道路场景理解算法，包括如下步骤：首先建立具有区域生成模块和位置精修模块的实例级道路场景理解网络；其次在训练网络时，设计多检测框损失均衡策略，倾向于对更难训练的样本检测框损失赋予更大的梯度，提升网络对困难样本的学习能力，并以权重特征图作为卷积层对相应的损失特征图进行加权求和得到每个模块的子损失，用于反向传播的总损失由各个子损失求和得到；最后，使用网络模型计算待检测图像中多个目标的定位坐标信息和分类信息。本发明专利技术解决了双阶段的检测器中正负样本不平衡的问题，使模型在训练时更加侧重于更有益模型学习的困难检测负样本损失。

A road scene understanding algorithm based on multi detector frame loss balance based on sample loss

【技术实现步骤摘要】
一种基于样本损失的多检测框损失均衡道路场景理解算法
本专利技术涉及计算机视觉和自动驾驶
，具体地是指一种基于样本损失的多检测框损失均衡道路场景理解算法，可应用于汽车理解驾驶场景。
技术介绍
自动驾驶系统主要包括环境识别，决策和运动控制三个模块，环境识别的结果直接影响其他模块，成为整个系统的核心。其中，基于视觉图像的道路场景理解是自动驾驶领域中较为普遍的技术。这项技术为无人值守的感知模块提供了足够的视觉提示和分析信息，以实现对道路周边环境的充分理解和感知。而目标检测和语义分割是其中最为重要的两种实例级和像素级感知方式。通过使用多层卷积神经网络结构，基于深度学习的目标检测算法在特征提取方面具有明显优势，并已成为了当前实例级道路场景理解的主流方法。根据检测框的生成规则，基于深度学习的目标检测方法可以分为单阶段方法和双阶段方法。单阶段的目标检测算法仅使用单个检测网络即可以快速的检测速度实现分类和候选框回归功能，例如YOLOv3、SSD等。它们通常将图像上的每个位置都视为潜在的实际目标对象，并尝试将每个感兴趣的区域分类为背景或目标对本文档来自技高网...

【技术保护点】
1.一种基于样本损失的多检测框损失均衡道路场景理解算法，其特征在于：所述算法包括以下步骤：/n步骤1：由特征提取网络、检测框生成网络和位置精修模块构建具有定位与分类功能的实例级道路场景理解网络，其中检测框生成网络和位置精修模块使用同一个特征提取网络获得的特征信息；所述检测框生成网络利用所述特征提取网络得到的特征信息生成检测框，并进行目标类别分类；所述位置精修模块通过卷积层对所述检测框生成网络输出的检测框的目标位置建议进行修正，同时检测框生成网络和位置精修模块均进行目标类别分类；/n步骤2：采集道路场景的图像作为模型输入图像；/n步骤3：利用图像数据集训练实例级道路场景理解网络，并采用基于样本损...

【技术特征摘要】
1.一种基于样本损失的多检测框损失均衡道路场景理解算法，其特征在于：所述算法包括以下步骤：
步骤1：由特征提取网络、检测框生成网络和位置精修模块构建具有定位与分类功能的实例级道路场景理解网络，其中检测框生成网络和位置精修模块使用同一个特征提取网络获得的特征信息；所述检测框生成网络利用所述特征提取网络得到的特征信息生成检测框，并进行目标类别分类；所述位置精修模块通过卷积层对所述检测框生成网络输出的检测框的目标位置建议进行修正，同时检测框生成网络和位置精修模块均进行目标类别分类；
步骤2：采集道路场景的图像作为模型输入图像；
步骤3：利用图像数据集训练实例级道路场景理解网络，并采用基于样本损失的多目标检测框损失均衡策略消除多目标检测框之间的相互扰动作用，加快网络的收敛速度，提高目标检测精度：首先根据前向传播算法得到训练图像中多个训练样本的训练损失值；其次对每个训练样本检测框的子损失赋予不同的权重，以此提高网络的训练速度和实例目标检测的精度；然后依据损失均衡策略得到的图像中多样本检测框的损失权重，加权求和得到训练图像在当前网络下的总损失；最后根据反向传播算法更新网络参数；
步骤4：保存训练收敛后得到的实例级道路场景理解网络，输入测试图像，计算得到图像中待检测的各个物体的分类类别的置信度以及多个待检测物体的中心坐标、检测矩形框的长度和宽度。


2.根据权利要求1所述的一种基于样本损失的多检测框损失均衡道路场景理解算法，其特征在于：所述步骤3中多样本检测框的损失加权求和得到总损失的计算方法为：



其中，Ltotal，Lc...

【专利技术属性】
技术研发人员：石英，苏涛，谢长君，张晖，罗佳齐，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：湖北;42