【技术实现步骤摘要】
一种自适应消除分类负梯度的长尾目标检测方法
[0001]本专利技术涉及长尾目标检测的
，尤其是指一种自适应消除分类负梯度的长尾目标检测方法。
技术介绍
[0002]目标检测作为计算机视觉中的一项基本任务，目前已取得十足的发展。现有的目标检测算法在平衡数据集上取得了不错的检测性能。但在现实当中，不同类别的数据往往是不平衡的，少部分的类别占据大部分样本，称为头部类；大部分类别仅具有少量样本，称为尾部类，这样的数据在曲线图中呈现长尾分布。数据分布的极度不平衡使得现有的目标检测模型表现欠佳，往往在样本有限的尾部类上的检测精度很差。
[0003]目前针对长尾目标的方法当中，重采样通过对头部类欠采样，对尾部类过采样，使得采样后得到的数据集变得平衡，但对头部类别欠采样会使得模型对头部类的检测性能下降，而对尾部类别欠采样又会使得模型对尾部类过拟合。另外一种常用方法是重加权，在损失函数上给予尾部类更大的权重，这类方法得到的结果往往是次优的。现有技术中许多的方法关注于通过消除对尾部类的负梯度来缓解尾部类受到的极度不平衡的正负梯度，...
【技术保护点】
【技术特征摘要】
1.一种自适应消除分类负梯度的长尾目标检测方法，其特征在于，包括以下步骤：1)构建由主干网络、区域生成网络和检测头组成的长尾目标检测模型；获取长尾数据集并分为训练集、验证集和测试集；从训练集中采样训练图像和标签，将图像输入给长尾目标检测模型，由主干网络提取出图像的特征图，并由区域生成网络生成可能含有物体的提议区域，提议区域映射到特征图上后缩放到统一大小，最后检测头预测提议区域的结果；对预测结果计算分类损失和定位损失，其中分类损失由自适应消除尾部类负梯度的损失函数计算得到，将分类损失和定位损失进行加权求和，得到长尾学习总损失值；2)利用得到的长尾学习总损失值对长尾目标检测模型进行梯度反传和参数更新；每完成一轮完整的训练，利用验证集对模型进行性能评估；完成所有轮次训练后，保存性能最优的模型参数，得到最优的长尾目标检测模型；3)将测试集中的待检测图像输入训练好的长尾目标检测模型，即可得到待检测图像中物体类别和位置的预测结果。2.根据权利要求1所述的一种自适应消除分类负梯度的长尾目标检测方法，其特征在于，在步骤1)中，使用长尾数据集进行训练，检测长尾分布目标。3.根据权利要求2所述的一种自适应消除分类负梯度的长尾目标检测方法，其特征在于，在步骤1)中，每一提议区域的分类损失计算为：w
j
＝1
‑
E(r)T
λ
(f
j
)T
ξ
(p
j
)(1
‑
y
j
)式中，L
AEL
代表单个提议区域的分类损失；C代表类别数；r是region的首字母，代表提议区域；p
j
...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。