一种优化小目标检测的加权损失函数计算方法技术

本发明专利技术提出了一种优化小目标检测的加权损失函数计算方法，涉及图像识别目标检测领域。本发明专利技术在基于深度学习目标检测模型的基础上，针对小目标检测精度低的挑战，结合目标检测模型的输出预测框和真实框的匹配，对目标检测模型的预测框损失计算函数采用加权惩罚，提高目标检测模型对小目标的学习能力，提高目标检测的精度。相比增加模型参数和增强特征融合等方法，本发明专利技术在不提升模型参数量和不影响模型推理速度的条件下，提高图像识别中目标检测的精度，具备高效性。具备高效性。具备高效性。

【技术实现步骤摘要】
一种优化小目标检测的加权损失函数计算方法


[0001]本专利技术涉及图像识别目标检测领域，具体为一种优化小目标检测的加权损失函数计算方法。

技术介绍

[0002]目标检测作为计算机视觉领域重要的问题之一。根据大量预定义的类别和目标实例，确定输入图像中目标实例的分类和位置。其中基于深度学习的方法在目标检测领域发挥着很大的作用，但随着大规模数据集的分类和定位任务的难度提升，小目标检测问题等，使得目标检测网络的层数越来越深，这会增加模型的参数量和提高模型的推理时间，不利于边缘嵌入式设备的移植和部署，因此模型参数的训练学习极其重要。损失函数的定义直接影响了模型参数的学习效果，目标检测的任务包括分类和定位，因此针对分类和定位的有效损失计算，有助于提高模型参数训练的结果，特别是对于目标实例的位置定位。

技术实现思路

[0003]本专利技术的目的在于提供一种优化小目标检测的加权损失函数计算方法，为实现上述目的，本专利技术提供如下技术方案：一种优化小目标检测的加权损失函数计算方法，包括以下步骤。
[0004] S1、准备目标检测数据集。
[0005] S2、数据集分批次输入目标检测网络中。
[0006] S3、获取目标检测网络对目标框的预测结果c
x
、c
y
、w、h，分别为目标预测框中心点横坐标 c
x
、中心点纵坐标 c
y
、宽w和高h。
[0007] S4、根据预测框的预测结果确定匹配真实框的尺寸。
[0008] S5、以匹配真实框的尺寸作为预测框和真实框的交并比即IoU计算的动态加权参数。
[0009] S6、将加权后的IoU计算方法替换原损失函数中IoU损失计算方法，训练结束得到小目标检测鲁棒性的模型参数。
[0010]优选的，步骤S1中目标检测数据集，其特征在于，包括：所需目标检测数据集分别在小、中和大目标的尺寸范围内均有分布或数据集中包含尺寸在小目标尺寸范围内的目标或物体。
[0011]优选的，步骤S2中数据集分批次输入目标检测网络中，其特征在于：所述目标检测网络以卷积或Transformer模块为主干的特征提取视觉模型，包含特征提取部分、特征融合部分以及检测头输出部分。训练过程中，数据集采用分批次训练。
[0012]优选的，步骤S3中获取目标检测网络对目标框的预测结果c
x
、c
y
、w、h，分别为目标预测框中心点横坐标c
x
、中心点纵坐标c
y
、宽 w和高 h，其特征在于，包括。
[0013]S31、首先通过由卷积或Transformer模块组成的主干特征提取网络提取特征。
[0014]S32、经过多个分辨率特征层的特征融合，将高语义特征和浅层定位信息融合。
[0015]S33、通过检测头输出对目标框的回归预测结果c
x
、c
y
、w、h。
[0016]优选的，步骤S4中根据预测框的预测结果确定匹配真实框的尺寸，其特征在于，包括。
[0017]S41、判断真实框的中心点坐标c
x
、c
y
所在grid cell中是否包括对目标物体预测结果，即检测头输出目标框的中心点c
x
、c
y 是否在该grid cell中。
[0018]S42、若在则当前检测头的预测目标框和真实框相匹配，则确定对应真实框的尺寸X，由于真实框对应的宽和高是二维属性，采用相乘并开平方的方式化为一维X表示的方式，有利于加权处理。
[0019]其中，和分别是真实框对应的宽和高。
[0020]优选的，步骤S5中以匹配真实框的尺寸作为预测框和真实框的交并比即IoU计算的动态加权参数，其特征在于，包括。
[0021]S51、真实框的尺寸按小、中和大目标进行划分，划分范围为：。
[0022]其中，尺寸划分分别以32
×
32和96
×
96为界，划分小、中和大目标三类尺寸。
[0023]S52、根据真实框尺寸大小分布，采用exp函数将加权值映射至[0,1]范围内,计算公式为。
[0024]其中。
[0025] X：真实框的尺寸。
[0026]α：针对尺寸缩放的超参数。
[0027]S53、预测框回归损失计算公式为。S53、预测框回归损失计算公式为。
[0028]其中。
[0029]A：预测框区域。
[0030]B：真实框区域。
[0031]IoU：预测框和真实框的交并比即交集和并集的比值。
[0032]优选的，步骤S6中将加权后的IoU计算方法替换原损失函数中IoU损失计算方法，其特征在于，在不改变目标检测网络分类损失计算方法的基础上，将目标框的回归损失优化为根据预测框匹配真实框的尺寸自适应加权回归损失。
[0033]与现有技术相比，本专利技术的有益效果如下：在目标检测网络训练的过程中，有利于提高参数对小目标的学习能力，通过对IoU采用根据目标尺寸加权的方式，动态调整对网络在训练过程中对目标检测中小目标学习的惩罚。在不提高网络结构参数量的基础上，提高网络结构参数学习的鲁棒性。仅在训练过程中略微增加计算复杂度，并不增加模型参数推理的耗时，提升目标检测网络对小目标检测的精度。
附图说明
[0034]图1为本专利技术回归框损失函数加权计算流程图。
[0035]图2为本专利技术指数函数不同超参数α加权曲线图。
具体实施方式
[0036]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0037]请参阅图1和图2，本专利技术提供一种优化小目标检测的加权损失函数计算方法技术方案：一种优化小目标检测的加权损失函数计算方法，包括以下步骤。
[0038]S1、准备目标检测数据集。
[0039]S2、数据集分批次输入目标检测网络中。
[0040]S3、获取目标检测网络对目标框的预测结果c
x
、 c
y
、w、h，分别为目标预测框中心点横坐标 c
x
、中心点纵坐标c
y
、宽w和高h。
[0041]S4、根据预测框的预测结果确定匹配真实框的尺寸。
[0042]S5、以匹配真实框的尺寸作为预测框和真实框的交并比即IoU计算的动态加权参数。
[0043]S6、将加权后的IoU计算方法替换原损失函数中IoU损失计算方法，训练结束得到小目标检测鲁棒性的模型参数。
[0044]本实施例，进一步的，步骤S1中准备目标检测数据集，其特征在于，包括：所需目标检测数据集本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种优化小目标检测的损失函数计算方法，应用于图像识别和目标检测，其特征在于，包括以下步骤：S1、准备目标检测数据集；S2、数据集分批次输入目标检测网络中；S3、获取目标检测网络对目标框的预测结果c
x
、c
y
、w、h，分别为目标预测框中心点横坐标c
x
、中心点纵坐标c
y
、宽w和高h；S4、根据预测框的预测结果确定匹配真实框的尺寸；S5、以匹配真实框的尺寸作为预测框和真实框的交并比即IoU计算的动态加权参数；S6、将加权后的IoU计算方法替换原损失函数中IoU损失计算方法，训练结束得到小目标检测鲁棒性的模型参数。2.根据权利要求1所述的优化小目标检测的损失函数计算方法，步骤S1中准备目标检测数据集，其特征在于，包括：所需目标检测数据集分别在小、中和大目标的尺寸范围内均有分布或数据集中包含尺寸在小目标尺寸范围内的目标或物体。3.根据权利要求1所述的优化小目标检测的损失函数计算方法，步骤S2中数据集分批次输入目标检测网络中，其特征在于，包括：所述目标检测网络以卷积或Transformer模块为主干的特征提取视觉模型，包含特征提取部分、特征融合部分以及检测头输出部分，训练过程中，数据集采用分批次训练。4.根据权利要求1所述的优化小目标检测的损失函数计算方法，步骤S3中获取目标检测网络对目标框的预测结果c
x
、c
y
、w、h，分别为目标预测框中心点横坐标 c
x
、中心点纵坐标c
y
、w和高 h，其特征在于，包括：S31、首先通过由卷积或Transformer模块组成的主干特征提取网络提取特征；S32、经过多个分辨率特征层的特征融合，将高语义特征和浅层定位信息融合；S33、通过检测头输出对目标框的回归预测结果c
x
、c
y
、w、h。5.根据权利要求1所述的优化小...

【专利技术属性】
技术研发人员：李忠涛，袁朕鑫，赵帅，赵富，马涛，严冬，姜琳琳，肖鑫，刘圣勇，程文轩，
申请(专利权)人：济南大学，
类型：发明
国别省市：