一种自适应标签分配的目标检测方法技术

本发明专利技术针对智慧工地实际应用中的复杂场景，提供一种自适应标签分配的安全帽检测方法。该发明专利技术提出了一种辅助修正机制，将辅助网络放置在主干网络中，以此补充场景细节信息；同时设计了特征引导模块，通过注意力机制过滤浅层的冗余信息，并借助去除的冗余信息进一步强化深层的特征表示，使得特征的表示更加综合全面，进而能够充分地应对不同尺寸的目标。此外，本发明专利技术利用动态的权重自适应地确定正负样本，从标签分类的角度改善复杂工地场景下的安全帽检测精度。全帽检测精度。全帽检测精度。

【技术实现步骤摘要】
一种自适应标签分配的目标检测方法


[0001]本专利技术属于目标检测
，涉及一种基于自适应标签分配的安全帽检测方法。

技术介绍

[0002]随着深度学习技术的不断成熟，目标检测技术也飞速发展。基于卷积神经网络的安全帽检测方法，在计算损失函数的时候，需要判断某一个位置是正样本还是负样本，并在对应的位置上赋予一个合适的标签，使得损失函数能够逐渐学习这一行为，这个过程就叫做标签分配。
[0003]目前，有锚框和无锚框的检测方法在整个框架存在一定区别。基于锚框的检测方法通常在特征图上，主动地计算锚框和真实框的IoU，根据人为经验选取一个合适的阈值范围，将IoU大于阈值上限的锚框划分为正样本，小于阈值下限的锚框划分为负样本，处于范围内的则为忽略样本。一阶段SSD方法就是依据这一思想，但锚框和真实框匹配策略设置略有不同，导致其正样本的数量远少于负样本的数量。而基于无锚框的经典检测方法FCOS则根据目标中心区域及其尺度来确定正负样本,将特征图中的坐标映射回原始图像上，如果该映射结果在真实框内且类别一致，则认为是正样本，否则为负样本。以上都是较为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应标签分配的安全帽检测方法，其特征在于包括如下步骤：步骤（1）：构建佩戴安全帽和未佩戴安全帽的图像数据集，对数据集进行预处理，并将数据集分为训练集和验证集；步骤（2）：构建基于DLANet网络的安全帽检测模型，并加入辅助修正机制和特征引导模块，对安全帽检测模型进行改进；步骤（3）：将训练数据集输入改进后的安全帽检测模型进行训练，将验证数据集输入每次迭代生成的安全帽检测模型进行验证，从得到的所有安全帽检测模型中选择验证精度最高的模型作为最优安全帽检测模型；步骤（4）：保存最优安全帽检测模型，将所需检测图像输入模型中，输出所述检测图像的目标检测结果。2.根据权利要求1所述的一种自适应标签分配的安全帽检测方法，其特征在于：所述步骤（1)中预处理的具体操作为：对图像进行裁剪到规定尺寸后，进行多尺度随机缩放、图像翻转和图像像素的归一化以增加模型的性能。3.根据权利要求1所述的一种自适应标签分配的安全帽检测方法，其特征在于：所述步骤（2)中的安全帽检测网络由3个模块构成：第一个模块为基础网络模块，使用去除了分类层的DLANet网络，通过基础网...

【专利技术属性】
技术研发人员：佘宏彦，梁理，安长智，吴赟，曾敏，唐秋良，廖艳，赵腾腾，
申请(专利权)人：北京中泰创安科技有限公司，
类型：发明
国别省市：