本发明专利技术公开了一种基于自适应损失函数的弱小目标检测模型优化方法与装置，涉及计算机视觉图像目标检测技术领域，该方法包括以下步骤：获取弱小目标图像，通过特征提取，得到弱小目标图像的特征图；将所述特征图，通过检测头网络，获得中心度预测结果、分类预测结果和回归预测结果；计算中心度预测结果的损失、分类预测结果的损失，通过角点损失维度与交并比损失维度计算回归预测结果的损失；将所述中心度预测结果的损失、分类预测结果的损失和回归预测结果的损失相加得到整体损失，并根据所述整体损失对检测模型优化。本发明专利技术提供的方法可以在后处理及样本标签分配中使用，能够有效提升基础目标检测网络的检测精度。基础目标检测网络的检测精度。基础目标检测网络的检测精度。
【技术实现步骤摘要】
基于自适应损失函数的弱小目标检测模型优化方法与装置
[0001]本专利技术属于计算机视觉图像目标检测
，具体涉及一种基于自适应损失函数的弱小目标检测模型优化方法与装置。
技术介绍
[0002]在计算机视觉领域中，目标检测技术在医学诊断、工业检测、智慧交通、军事技术等方面得到广泛的应用。随着深度学习的发展，通用目标检测算法的精度得到大幅提高，但在弱小目标检测场景下，检测精度和普通目标相比仍相去甚远。如在COCO数据集中，小目标检测精度普遍比大中型目标低0.3左右，测试效果仍有待提高。常用小目标检测技术主要包括数据增强方法、多尺度特征融合的方法以及特殊的训练策略。数据增强方法可以通过GAN生成超分辨率特征图或图像，但此类方法存在网络不易训练的问题；多尺度特征融合主要由多尺度隐式上下文信息融合和显式上下文信息融合，信息融合能够从一定程度上缓解小目标包含信息量少的问题，但同时冗余的上下文信息可能会引入噪声，影响小目标检测的性能，多尺度的方法能够有效提高小目标精度，因此在本申请中使用基础多尺度特征金字塔网络；基于训练策略的方案如使用针对小目标的测评指标替代交并比(IoU,Intersection over Union)的方法则鲁棒性更强，但这对新指标的设计提出了更高的要求。基于自适应损失函数优化的弱小目标检测方法则采用新的损失函数来优化训练策略，进而提高弱小目标的检测性能。
[0003]针对小目标对IoU指标相较于大中型目标更加敏感，对扰动容忍度更低的特性，本专利技术拟对IoU指标做出改进以使IoU指标适配弱小目标回归的训练过程。由于当目标真值框与预测框位置相离时IoU恒为0，无法再对目标进行回归，GIoU引入最小外接矩形框，考虑真值框和预测框最小外接矩形的回归，解决相离无法回归的问题，但收敛较慢。DIoU考虑中心点距离与外接矩形对角线的比值，加速了收敛。CIoU则认为交并比、中心点距离以及长宽比为包围框回归的三要素。EIoU将长宽比替换为长宽差值与外接矩形长宽的比值，进一步提高了目标回归的效率。但以上IoU改进的方案中并未考虑弱小目标场景，即再真值框极小时并不使用，且真值框与预测框中心点重合时此类指标并不适用。因此亟需一种适用于弱小目标场景中的改进测评指标的训练方法，使小目标能够更好地进行边界框回归，进而达到更高的弱小目标检测精度。
技术实现思路
[0004]本申请提供一种基于自适应损失函数的弱小目标检测模型优化方法与装置,其可以增强弱小目标的检测精度。
[0005]为达到以上目的，本申请采用如下技术方案：
[0006]第一方面，提供一种基于自适应损失函数的弱小目标检测模型优化方法，包括以下步骤：
[0007]获取弱小目标图像，通过特征提取，得到弱小目标图像的特征图；
[0008]将所述特征图，通过检测头网络，获得中心度预测结果、分类预测结果和回归预测结果；
[0009]计算中心度预测结果的损失、分类预测结果的损失，通过角点损失维度与交并比损失维度计算回归预测结果的损失；
[0010]将所述中心度预测结果的损失、分类预测结果的损失和回归预测结果的损失相加得到整体损失，并根据所述整体损失对检测模型优化。
[0011]一些实施例中，所述获取弱小目标图像，通过特征提取，得到弱小目标图像的特征图，包括以下步骤：
[0012]根据公式：
[0013]f＝F(R(I))
[0014]得到特征图f，其中R为特征提取网络中的ResNet50网络，F为特征金字塔网络中的FPN网络，I为初始调整像素值后的图像。
[0015]一些实施例中，所述将所述特征图，通过检测头网络，获得预测结果，包括以下步骤：
[0016]将特征图f送入FCOS模型的检测头网络，得到中心度预测结果P
ctr
、分类预测结果P
cls
和回归预测结果P
reg
。
[0017]一些实施例中，所述计算中心度预测结果的损失，包括：
[0018]根据公式：
[0019][0020][0021][0022]得到中心度损失值l
ctr
，其中L
center
‑
ness
为中心度损失，P
ctr
为中心度预测结果，T
ctr
为预设中心度目标值，CE为交叉熵损失函数，y为真实标签，p^为预测概率，γ>0为可调节因子，p
t
为引入的参数。
[0023]一些实施例中，所述计算分类预测结果的损失，包括：
[0024]根据公式：
[0025][0026][0027]得到分类损失值l
cls
，其中L
cls
为分类损失，FL为焦点损失函数，T
cls
为预设分类目标值，P
cls
为分类预测结果，γ>0为可调节因子，p
t
为引入的参数。
[0028]一些实施例中，所述通过角点损失维度与交并比损失维度计算回归预测结果的损失，包括：
[0029]根据公式：
[0030][0031][0032]得到角点损失L
Corner
，其中D为角点距离,S为距离尺度因子，(x1,y1,x2,y2)和(x3,
y3,x4,y4)分别为预测框和真值框的左上角点、右下角点坐标值；
[0033]根据公式：
[0034][0035]得到交并比损失L
IoU
，其中IOU为真值框和预测框的交并比；
[0036]根据公式：
[0037]w＝e
‑
A/β
[0038][0039][0040]得到回归损失值l
reg
，L
reg
为回归损失，T
reg
为预设回归目标值，P
reg
为回归预测结果，w为自适应因子，A为目标面积的大小，β为目标样本大小调节因子，L
wCorner
‑
IoU
为加权角点
‑
交并比损失函数，L
Corner
为角点损失，L
IoU
为交并比损失。
[0041]第二方面，提供一种基于自适应损失函数的弱小目标检测模型优化装置，包括：
[0042]获取单元，用于获取弱小目标图像，通过特征提取，得到弱小目标图像的特征图；
[0043]预测单元，用于将所述特征图，通过检测头网络，获得中心度预测结果、分类预测结果和回归预测结果；
[0044]计算单元，用于计算中心度预测结果的损失，计算分类预测结果的损失，通过角点损失维度与交并比损失维度计算回归预测结果的损失；
[0045]优化单元，用于将所述多个损失相加得到整体损失，并根据所述整体损失对检测模型优化。
[0046]一些实施例中，所述采集单元用于：
[0本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于自适应损失函数的弱小目标检测模型优化方法，其特征在于，包括以下步骤：获取弱小目标图像，通过特征提取，得到弱小目标图像的特征图；将所述特征图，通过检测头网络，获得中心度预测结果、分类预测结果和回归预测结果；计算中心度预测结果的损失、分类预测结果的损失，通过角点损失维度与交并比损失维度计算回归预测结果的损失；将所述中心度预测结果的损失、分类预测结果的损失和回归预测结果的损失相加得到整体损失，并根据所述整体损失对检测模型优化。2.如权利要求1所述的一种基于自适应损失函数的弱小目标检测模型优化方法，其特征在于，所述获取弱小目标图像，通过特征提取，得到弱小目标图像的特征图，包括以下步骤：根据公式：f＝F(R(I))得到特征图f，其中R为特征提取网络中的ResNet50网络，F为特征金字塔网络中的FPN网络，I为初始调整像素值后的图像。3.如权利要求2所述的一种基于自适应损失函数的弱小目标检测模型优化方法，其特征在于，所述将所述特征图，通过检测头网络，获得预测结果，包括以下步骤：将特征图f送入FCOS模型的检测头网络，得到中心度预测结果P
ctr
、分类预测结果P
cls
和回归预测结果P
reg
。4.如权利要求3所述的一种基于自适应损失函数的弱小目标检测模型优化方法，其特征在于，所述计算中心度预测结果的损失，包括：根据公式：根据公式：根据公式：得到中心度损失值l
ctr
，其中L
center
‑
ness
为中心度损失，P
ctr
为中心度预测结果，T
ctr
为预设中心度目标值，CE为交叉熵损失函数，y为真实标签，p^为预测概率，γ>0为可调节因子，p
t
为引入的参数。5.如权利要求4所述的一种基于自适应损失函数的弱小目标检测模型优化方法，其特征在于，所述计算分类预测结果的损失，包括：根据公式：根据公式：得到分类损失值l
cls
，其中L
cls
为分类损失，FL为焦点损失函数，T
cls
为预设分类目标值，P
cls
为分类预测结果，γ>0为可调节因子，p
t
为引入的参数。
6.如...
【专利技术属性】
技术研发人员：孙世磊，郭子琪，何楚，王昱程，
申请(专利权)人：武汉大学，
类型：发明
国别省市：
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。