一种神经网络的训练样本标签分配方法及系统技术方案

本发明专利技术公开了一种神经网络的训练样本标签分配方法及系统，该分配方法包括以下步骤：S1，将待训练图片经预处理后输入至anchor

【技术实现步骤摘要】
一种神经网络的训练样本标签分配方法及系统


[0001]本专利技术涉及深度学习
，具体是一种神经网络的训练样本标签分配方法及系统。

技术介绍

[0002]计算机视觉的发展过程中，目标检测一直都是研究人员关注的焦点，其主要在于检测出目标所在图像中的外接框和类别，近些年，随着卷积神经网络的发展，基于anchor
‑
base的检测网络已经主宰目标检测很多年了，其主要是人为在图片上设定大量的anchor，然后根据每个anchor的位置和尺寸预测图片中目标的外接框和类别，由于基于anchor
‑
base的检测一般都是密集预测，其后处理比较耗时。近些年anchor
‑
free得到快速发展，但由于其没有预设的anchor，所以其正负样本无法像anchor
‑
base一样，使用anchor与目标框之间的IOU(Intersection over Union交并比)确定训练的正负样本，而一般根据anchor
‑
point是否落在目标框中来决定训练的正负样本，而这种方式对应一般的检测目标比较有效，但对于向斑马线这种长宽比较大的目标，这种正负样本的分配方式效果就明显不好，所以需要设计一种既要对长宽比不大的目标有效，而且对像斑马线这种长宽比较大的目标也有比较好效果的训练标签分配策略。

技术实现思路

[0003]为克服现有技术的不足，本专利技术提供了一种神经网络的训练样本标签分配方法及系统，解决现有技术存在的对长宽比较大的目标的正负样本的分配方式效果明显欠佳、检测效果差等问题。
[0004]本专利技术解决上述问题所采用的技术方案是：
[0005]一种神经网络的训练样本标签分配方法，包括以下步骤：
[0006]S1，将待训练图片经预处理后输入至anchor
‑
free神经网络中；
[0007]S2，将经anchor
‑
free神经网络传输的待训练图片经anchor
‑
free神经网络处理后输出特征图；
[0008]S3，根据目标框得到特征图上各个点的anchor；
[0009]S4，计算步骤S3得到的anchor与目标框之间的IOU值，然后根据IOU值确定正样本点、负样本点和/或忽略样本点。
[0010]作为一种优选的技术方案，步骤S3中，以特征图的各个点为中心，用目标框的长宽依次设置在特征图上各个位置的anchor，从而得到特征图上各个点的anchor。
[0011]作为一种优选的技术方案，根据特征图上各个目标的长宽比例确定anchor尺寸，从而得到特征图上各个点的anchor。
[0012]作为一种优选的技术方案，步骤S3中，当一张特征图有N个目标时，则得到N个对应的anchor，anchor的尺寸和目标的尺寸一致。
[0013]作为一种优选的技术方案，设定IOU值大于a时的点为正样本点，IOU值小于b时的
点为负样本点，IOU值在[b，a]范围的区域为忽略样本点；其中，b的范围为(0.39，0.41)，a的范围为(0.49,0.61)。
[0014]作为一种优选的技术方案，若特征图上存在一个特征点上的多个anchor与目标框之间的IOU值大于a的情况，则采用面积最小的目标框与该特征点匹配。
[0015]作为一种优选的技术方案，设定b＝0.4，a＝0.5。
[0016]作为一种优选的技术方案，步骤S1中，预处理包括数据增强处理。
[0017]作为一种优选的技术方案，步骤S2中，经anchor
‑
free神经网络处理包括经网络前向计算处理。
[0018]一种神经网络的训练样本标签分配系统，包括依次电相连的以下模块：
[0019]输入模块，用以将待训练图片经预处理后输入至anchor
‑
free神经网络中，然后传输至特征图输出模块；
[0020]特征图输出模块，用以将经anchor
‑
free神经网络传输的待训练图片经anchor
‑
free神经网络处理后输出特征图，并将特征图至anchor获取模块；
[0021]anchor获取模块，用以根据目标框得到特征图上各个点的anchor，并将得到的anchor传输至样本获取模块；
[0022]样本获取模块，用以计算anchor获取模块传输的anchor与目标框之间的IOU值，然后根据IOU值确定正样本点、负样本点和/或忽略样本点。
[0023]本专利技术相比于现有技术，具有以下有益效果：
[0024](1)本专利技术可以不用考虑检测目标的长宽比例，无需在特征图上预设多个anchor来做密集预测，可以自适应的根据检测目标尺寸确定各个特征图上点的正负关系；
[0025](2)本专利技术不但对于普通长宽比的目标有很好的检出，同时对像斑马线类的长宽比较大的目标也有很好的检出效果；
[0026](3)本专利技术有效解决了基于anchor－free的针对长宽比较大目标的训练时正负样本的采样方式，同时根据目标框的面积大小可以保证每个特征图位置只与一个目标框关联，实际测试其效果达到anchor
‑
base的检测效果，又不用预先设定anchor的比例；
[0027](4)本专利技术对长宽比较大的目标的正负样本的分配方式效果较好，检测效果好。
附图说明
[0028]图1为本专利技术所述一种神经网络的训练样本标签分配方法的步骤示意图；
[0029]图2为本专利技术所述一种神经网络的训练样本标签分配系统的结构框图；
[0030]图3为本专利技术实施例3的所述一种神经网络的训练样本标签分配方法的流程图；
[0031]图4为本专利技术的anchor与目标框的示意图。
具体实施方式
[0032]下面结合实施例及附图，对本专利技术作进一步的详细说明，但本专利技术的实施方式不限于此。
[0033]实施例1
[0034]如图1至图4所示，一种神经网络的训练样本标签分配方法，包括以下步骤：
[0035]S1，将待训练图片经预处理后输入至anchor
‑
free神经网络中；
[0036]S2，将经anchor
‑
free神经网络传输的待训练图片经anchor
‑
free神经网络处理后输出特征图；
[0037]S3，根据目标框得到特征图上各个点的anchor；
[0038]S4，计算步骤S3得到的anchor与目标框之间的IOU值，然后根据IOU值确定正样本点、负样本点和/或忽略样本点。
[0039]本专利技术可以不用考虑检测目标的长宽比例，无需在特征图上预设多个anchor来做密集预测，可以自适应的根据检测目标尺寸确定各个特征图上点的正负关系；本专利技术不但对于普通长宽比的目标有很好的检出，同时对像斑马线类的长宽比较大的目标本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种神经网络的训练样本标签分配方法，其特征在于，包括以下步骤：S1，将待训练图片经预处理后输入至anchor
‑
free神经网络中；S2，将经anchor
‑
free神经网络传输的待训练图片经anchor
‑
free神经网络处理后输出特征图；S3，根据目标框得到特征图上各个点的anchor；S4，计算步骤S3得到的anchor与目标框之间的IOU值，然后根据IOU值确定正样本点、负样本点和/或忽略样本点。2.根据权利要求1所述的一种神经网络的训练样本标签分配方法，其特征在于，步骤S3中，以特征图的各个点为中心，用目标框的长宽依次设置在特征图上各个位置的anchor，从而得到特征图上各个点的anchor。3.根据权利要求2所述的一种神经网络的训练样本标签分配方法，其特征在于，根据特征图上各个目标的长宽比例确定anchor尺寸，从而得到特征图上各个点的anchor。4.根据权利要求3所述的一种神经网络的训练样本标签分配方法，其特征在于，步骤S3中，当一张特征图有N个目标时，则得到N个对应的anchor，anchor的尺寸和目标的尺寸一致。5.根据权利要求4所述的一种神经网络的训练样本标签分配方法，其特征在于，设定IOU值大于a时的点为正样本点，IOU值小于b时的点为负样本点，IOU值在[b，a]范围的区域为忽略样本点；其中，b的范围为(0.39，0.41)，a的范围为(0.49,...

【专利技术属性】
技术研发人员：庄孟雨，任鹏，周卓立，
申请(专利权)人：成都臻识科技发展有限公司，
类型：发明
国别省市：