一种边界框回归方法及系统技术方案

本申请公开了一种边界框回归方法及系统，其中，方法步骤包括：获取目标场景当中待检测图像边界框损失函数的范式；基于所述范式，得到改进IoU损失函数；基于所述改进IoU损失函数，确定边界框回归损失函数；将所述边界框回归损失函数应用到非极大值抑制处理中，提高检测精度。本申请完善边界框宽高属性回归属性，不但考虑重叠面积和边界框距离，进一步添加关于宽高回归的惩罚项，而且惩罚项避免了CIoU回归宽高比所造成的阻碍回归问题，保证了归回边界框回归属性的完整性。同时，将创新的CRIoU损失应用到目标检测网络的非极大值抑制处理中，提升了检测精度。提升了检测精度。提升了检测精度。

【技术实现步骤摘要】
一种边界框回归方法及系统


[0001]本申请涉及边界框回归领域，具体涉及一种边界框回归方法及系统。

技术介绍

[0002]近几年来随着深度学习在交通检测、汽车的自动驾驶技术、目标跟踪、面部识别和图像分割等方面都有着十分广泛的应用，深度学习在这些场景广泛的应用都归根于目标检测框架的快速发展。
[0003]使用CNN(Convolutional Neural Networks)检测物体的想法在1998年就产生了，Lecun等人最先将CNN分类方法应用在检测图像中的目标。在后来，这种网络变换方式被称为全卷积网络((Fully Convolutional Network，FCN)。自从2012年AlexNet在图像分类任务中取得了重大的成功，CNN分类图像的的方法被广泛的应用起来。从而以图像分类网络为主干图像特征提取网络的下游任务如:3D目标检测、姿态检测、图像分割、面部识别等也得到快速的发展。Girshick等人将AlexNet的目标识别功能应用到目标检测中，提出了一个目标检测算法(Regions with features，R
‑<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种边界框回归方法，其特征在于，步骤包括：获取目标场景当中待检测图像边界框损失函数的范式；基于所述范式，得到改进IoU损失函数；基于所述改进IoU损失函数，确定边界框回归损失函数；将所述边界框回归损失函数应用到非极大值抑制处理中，提高检测精度。2.根据权利要求1所述的边界框回归方法，其特征在于，确定所述范式的方法包括：L＝1
‑
IoU+R(G，B)式中，L为损失函数；R(G，B)为惩罚项；G为预测框的参数；B为目标框的参数；IoU为Jaccard系数。3.根据权利要求2所述的边界框回归方法，其特征在于，所述惩罚项满足的条件包括：损失函数的收敛梯度方向和两框重叠程度的评价指标相同；稳定的惩罚项数值；尺度不发生变化的惩罚项数值。4.根据权利要求1所述的边界框回归方法，其特征在于，得到所述改进IoU损失函数的方法包括：选取两边界框的中心点所围成矩形的周长和包围两框的最小外包框的周长的比值作为惩罚项；所述比值中包含两框中心点的距离信息，确定所述改进IoU损失函数。5.根据权利要求4所述的边界框回归方法，其特征在于，所述改进IoU损失函数包括：式中，L
A
‑
...

【专利技术属性】
技术研发人员：俞辉，魏宪，郭杰龙，李杰，邵东恒，张剑锋，
申请(专利权)人：泉州装备制造研究所，
类型：发明
国别省市：