长尾目标检测方法及装置制造方法及图纸

本公开涉及计算机技术领域，提供了一种长尾目标检测方法及装置。该方法包括：获取包含待检测目标的待检测图片；将所述待检测图片输入到预置的长尾目标检测模型进行目标检测，得到所述待检测目标的类别和位置，其中，所述长尾目标检测模型采用不同类别的样本数据基于初始目标检测模型和类别均衡焦点损失函数经过特征提取、以得到不同感受野为目的的特征融合和目标检测过程训练得到，所述类别均衡焦点损失函数对不同类别的样本数据使用不同的类别均衡参数。别均衡参数。别均衡参数。

【技术实现步骤摘要】
长尾目标检测方法及装置


[0001]本公开涉及计算机
，尤其涉及一种长尾目标检测方法及装置。

技术介绍

[0002]目标检测任务中，经常存在训练数据类别不平衡的问题。大多训练数据中不均匀分布的真实样本的类别分布符合长尾分布，即头部类别具有较多样本实例，尾部类别具有较少样本实例。长尾分布会导致作为目标检测模型的深度学习模型在很大程度上由少数头部类别主导，在尾部的少样本类别上深度学习模型的性能则会大大降低。
[0003]样本类别不均衡问题会影响到目标检测模型的训练结果，例如可能导致目标检测模型对尾部类别欠拟合，从而影响目标检测模型对尾部类别输入图片的预测精度。

技术实现思路

[0004]有鉴于此，本公开实施例提供了一种长尾目标检测方法、装置、电子设备及计算机可读存储介质，以解决现有技术中目标检测模型对长尾目标检测精度不高的技术问题。
[0005]本公开实施例的第一方面，提供了一种长尾目标检测方法，该方法包括：获取包含待检测目标的待检测图片；将所述待检测图片输入到预置的长尾目标检测模型进行目标检测，得到所述待检测目标的类别和位置，其中，所述长尾目标检测模型采用不同类别的样本数据基于初始目标检测模型和类别均衡焦点损失函数经过特征提取、以得到不同感受野为目的的特征融合和目标检测过程训练得到，所述类别均衡焦点损失函数对不同类别的样本数据使用不同的类别均衡参数。
[0006]本公开实施例的第二方面，提供了一种长尾目标检测装置，该装置包括：获取模块，用于获取包含待检测目标的待检测图片；检测模块，用于将所述待检测图片输入到预置的长尾目标检测模型进行目标检测，得到所述待检测目标的类别和位置，其中，所述长尾目标检测模型采用不同类别的样本数据基于初始目标检测模型和类别均衡焦点损失函数经过特征提取、以得到不同感受野为目的的特征融合和目标检测过程训练得到，所述类别均衡焦点损失函数对不同类别的样本数据使用不同的类别均衡参数。
[0007]本公开实施例的第三方面，提供了一种电子设备，包括存储器、处理器以及存储在存储器中并且可在处理器上运行的计算机程序，该处理器执行计算机程序时实现上述方法的步骤。
[0008]本公开实施例的第四方面，提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0009]本公开实施例与现有技术相比存在的有益效果是：通过采用对不同类别的样本数据使用不同的类别均衡参数的损失函数训练得到长尾目标检测模型，使得该长尾目标检测模型对尾部类别的关注度，从而可以改善训练数据类别不均衡的问题，提高长尾目标检测算法的整体精度。
附图说明
[0010]为了更清楚地说明本公开实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
[0011]图1是本公开实施例提供的一种长尾目标检测方法的流程示意图；
[0012]图2是本公开实施例提供的一种长尾目标检测模型的训练方法的流程示意图；
[0013]图3是本公开实施例提供的另一种长尾目标检测模型的训练方法的流程示意图；
[0014]图4是本公开实施例提供的一种长尾目标检测装置的结构示意图；
[0015]图5是本公开实施例提供的一种电子设备的结构示意图。
具体实施方式
[0016]以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本公开实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本公开。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本公开的描述。
[0017]在相关技术中的目标检测任务中，训练数据由若干图片组成，每张图片包含若干类别的目标框，对所有图片的目标框进行加和时，可能出现某些类别的目标框不均衡的问题，即头部类别目标框数量多，尾部类别目标框数量少，给目标检测算法的训练带来严重影响。为解决该样本类别不均衡的问题，可以使用焦点损失函数对用于进行长尾目标检测的检测模型进行训练。但该焦点损失函数可以解决正负样本不均衡以及难易样本不均衡的问题，却无法解决样本类别不均衡的问题。
[0018]针对样本类别不平衡问题的解决方法之一是改进采样方法，当前通常使用的数据采样方法包括常规采样法和均匀采样法。常规采样法的具体做法是按照每种类别图片数量的频率进行采样，即头部类别以较高的采样概率进行采样，尾部类别以较低的采样概率进行采样，该做法会导致目标检测算法对尾部类别欠拟合。均匀采样法是对常规采样法进行改进得到的采样方法，具体做法是对每种类别保持相同的采样概率进行采样，但是此方法会导致目标检测算法对尾部类别严重过拟合，头部类别也训练不充分。
[0019]无法解决样本类别不平衡的问题，会导致长尾目标检测模型对长尾目标检测的精度不高。
[0020]为解决以上问题，本公开实施例提供一种长尾目标检测方案。
[0021]下面将结合附图详细说明根据本公开实施例的长尾目标检测方法和装置。
[0022]图1是本公开实施例提供的一种长尾目标检测方法的流程示意图。本公开实施例提供的方法可以由任意具备计算机处理能力的电子设备执行，例如终端或服务器。如图1所示，该长尾目标检测方法包括：
[0023]步骤S101，获取包含待检测目标的待检测图片。
[0024]步骤S102，将所述待检测图片输入到预置的长尾目标检测模型进行目标检测，得到所述待检测目标的类别和位置，其中，所述长尾目标检测模型采用不同类别的样本数据基于初始目标检测模型和类别均衡焦点损失函数经过特征提取、以得到不同感受野为目的
的特征融合和目标检测过程训练得到，所述类别均衡焦点损失函数对不同类别的样本数据使用不同的类别均衡参数。
[0025]本公开实施例的技术方案从损失函数的角度提出了一种类别均衡焦点损失函数，其对传统焦点损失函数进行改进，使得长尾目标检测算法对样本数据中的尾部类别数据进行有效的训练，提升了长尾目标检测算法对不同类别数据的泛化，可以改善训练数据类别不均衡的问题。具体地，类别均衡焦点损失函数对传统焦点损失的每个类别单独使用一个类别均衡参数，用于应对具有不同数目样本的类别，从而提高本公开实施例的长尾目标检测算法对尾部类别的关注度，提高该长尾目标检测算法的整体精度。本公开实施例中的类别均衡焦点损失函数可以应用在任意单阶段目标检测算法中。
[0026]如图2所示，在本公开实施例中，所述长尾目标检测模型的训练方法包括：
[0027]步骤S201，将不同类别的样本数据输入到初始目标检测模型的主干网络进行特征提取，得到主干输出特征图。
[0028]具体地，样本数据中的每张图片均包含所有框的坐标和类别信息。
[0029]步骤S本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种长尾目标检测方法，其特征在于，所述方法包括：获取包含待检测目标的待检测图片；将所述待检测图片输入到预置的长尾目标检测模型进行目标检测，得到所述待检测目标的类别和位置，其中，所述长尾目标检测模型采用不同类别的样本数据基于初始目标检测模型和类别均衡焦点损失函数经过特征提取、以得到不同感受野为目的的特征融合和目标检测过程训练得到，所述类别均衡焦点损失函数对不同类别的样本数据使用不同的类别均衡参数。2.根据权利要求1所述的方法，其特征在于，所述长尾目标检测模型的训练方法包括：将不同类别的样本数据输入到初始目标检测模型的主干网络进行特征提取，得到主干输出特征图；将所述主干输出特征图输入到所述初始目标检测模型的颈部网络进行特征融合，得到感受野不同的特征图组成的中间特征图组；将所述中间特征图组输入到所述初始目标检测模型的头部网络进行目标检测，得到所述样本数据的预测结果；根据所述预测结果和所述类别均衡焦点损失函数对所述初始目标检测模型进行训练，直到所述初始目标检测模型收敛，得到所述长尾目标检测模型，其中，所述类别均衡焦点损失函数与正负样本指数、难易均衡参数和所述类别均衡参数相关。3.根据权利要求2所述的方法，其特征在于，所述主干网络包括跨阶段局部网络结构的特征提取网络。4.根据权利要求2所述的方法，其特征在于，所述颈部网络包括采用特征聚合策略的特征金字塔网络。5.根据权利要求2所述的方法，其特征在于，所述头部网络包括用于将分类和回归两部分进行整合的解耦头结...

【专利技术属性】
技术研发人员：何翔，黄泽元，
申请(专利权)人：北京龙智数科科技服务有限公司，
类型：发明
国别省市：