一种回归分离式多检测头的跨数据集目标检测方法技术

本发明专利技术涉及一种回归分离式多检测头的跨数据集目标检测方法，根据多个数据集的类别分别添加多个回归分离式检测头，在共享特征提取的基础上，通过

【技术实现步骤摘要】
一种回归分离式多检测头的跨数据集目标检测方法


[0001]本专利技术属于图像分析

,
尤其涉及一种回归分离式多检测头的跨数据集目标检测方法
。

技术介绍

[0002]随着深层神经网络的发展，目标检测算法飞速发展，检测精度和效率提升迅速
。
这类标准的目标检测器通常需要在事前标注好的固定类别的训练数据集上开展训练
。
然而许多实际应用中，我们并不能事先知道所有可能的检测类别，经常需要逐步添加新的对象类
。
为了能够实现新旧对象的目标检测，解决方法一种是重新标记，它将问题转化为标准的对象检测任务
。
但是，对于海量数据和不断增加的感兴趣类别，对所有原始数据集的图像中新类别实例进行标注是相当繁琐的
。
另一种则是跨数据集检测，该方法能够同时在多个数据集下训练，实现多数据集多类别目标检测
。
因此，设计一种方便扩展类别的目标检测方法是当前研究的热点
。
[0003]如专利申请公布号为
CN 113947148 A
的专利文献公开了一种跨数据集的目标检测联合训练方法，其特征在于，该方法包括以下步骤：步骤一：对原数据集中的每张图片进行标注；步骤二：根据新的检测需求，增加了
k
个标签分类问题；步骤三：对现有数据集进行新的标签分类进行标注，联合步骤一已经标注后的数据进行联合训练；步骤四：当交付的深度学习模型达到客户要求，完成交付，否则重复执行步骤二和三/>。
[0004]然而，当前类别扩展目标检测技术存在的问题其一是通过先进的检测器制作伪标签需要分别进行一次伪标签生成网络和混合标签训练网络，效率较为低下；其二是利用回归共享式扩充类别的方式忽略了不同数据集目标框大小和比例的特点，容易降低目标检测包围框的准确率
。
[0005]针对当前类别扩展目标检测技术存在的问题，提出一种回归分离式多检测头的跨数据集目标检测方法，将边框回归部分针对多数据集分离训练，自适应标签框的比例分布，提高目标在新旧数据集下的检测效果
。

技术实现思路

[0006]本专利技术的目的在于克服上述技术的不足，而提供一种回归分离式多检测头的跨数据集目标检测方法，可以利用多检测头自学习多数据集目标框的比例特点，有效提高目标在新旧数据集下的检测精度，实现跨数据集目标检测
。
[0007]本专利技术为实现上述目的，采用以下技术方案：一种回归分离式多检测头的跨数据集目标检测方法
,
根据多个数据集的类别分别添加多个回归分离式检测头，利用多检测头自学习多数据集目标框的比例特点，实现跨数据集目标检测
,
具体步骤如下：
[0008]步骤
1)
建立多数据集标签映射关系；
[0009]步骤
2)
根据多个数据集类别添加多个回归分离式检测头；
[0010]步骤
3)
将输出标签映射到各个数据集，设计多检测头损失函数；
[0011]步骤
4)
通过训练完成跨数据集目标检测和评估
。
[0012]进一步地，步骤
1)
所述建立多数据集标签映射关系，其中：
[0013]①
多个数据集标签集合分别表示为
A
i
，
i∈[1,M]，数据集数量为
M
；
[0014]②
定义跨数据集检测类别集合为
B
；
[0015]③
建立多数据集标签映射关系
LabelMap
i
和逆映射
InverseLabelMap
，完成跨数据集检测类别统一表示，表示为：
[0016]B
＝
LabelMap1(A1)∪
…
∪LabelMap
M
(A
M
)
[0017]A
i
＝
InverseLabelMap
i
(B)。
[0018]进一步地，步骤
2)
所述根据多个数据集类别添加多个回归分离式检测头，具体为：
[0019]①
共享目标检测网络特征提取层和特征汇聚层；
[0020]②
设计多检测头层，每一个检测头为无锚点框模式，由3个卷积层
、2
个批归一化层和分类回归输出层级联组成；
[0021]③
在网络检测头部分，替换原有的单一数据集检测头，调整为跨数据集检测头，此时，网络输出为
cls
i
和
reg
i
，其中，
cls
i
的第一个维度为
A
i
的元素个数
。
[0022]进一步地，步骤
3)
所述将输出标签映射到各个数据集，设计多检测头损失函数，具体为：
[0023]①
基于
Data Source Mask
建立预测目标与标签值的关系，根据多检测头输出，筛选检测器在不同数据集下的输出，
[0024][0025]label
B
(j)
表示输出结果中第
j
个目标对应的标签，目标数为
N
；
[0026]②
建立多检测头损失函数关系，用于评估多数据集下位置回归和分类值与标签值之间的差距，分类分支损失
clc_loss
和回归分支损失
reg_loss
采用一定权重比例加权，总损失函数为
[0027][0028]其中，
α
i
,
β
i
表示第
i
种数据集下分类和回归损失权重
,cls
ij
和
reg
ij
表示第
i
种数据集下第
j
个目标对应的预测分类值和回归值
,gt_cls
ij
和
gt_reg
ij
表示第
i
个数据集下第
i
个目标对应的标签分类值和回归值，具体为：
[0029][0030][0031]其中，
gt_cls
j
和
gt_reg
j
表示真实标签，
label
Ai
(j)
表示第
j
个目标在
A
i
对应的标签，若存在记为
label
Ai
(j)∈A
i
，若不存在记为
[0032]进一步地，步骤
4)
所述通过训练完成跨数据集目标检测和评估，具体为：...

【技术保护点】

【技术特征摘要】
1.
一种回归分离式多检测头的跨数据集目标检测方法
,
其特征是：根据多个数据集的类别分别添加多个回归分离式检测头，利用多检测头自学习多数据集目标框的比例特点，实现跨数据集目标检测
,
具体步骤如下：步骤
1)
建立多数据集标签映射关系；步骤
2)
根据多个数据集类别添加多个回归分离式检测头；步骤
3)
将输出标签映射到各个数据集，设计多检测头损失函数；步骤
4)
通过训练完成跨数据集目标检测和评估
。2.
根据权利要求1所述的回归分离式多检测头的跨数据集目标检测方法
,
其特征是：步骤
1)
所述建立多数据集标签映射关系，其中：
①
多个数据集标签集合分别表示为
A
i
，
i∈[1,M]
，数据集数量为
M
；
②
定义跨数据集检测类别集合为
B
；
③
建立多数据集标签映射关系
LabelMap
i
和逆映射
InverseLabelMap
，完成跨数据集检测类别统一表示，表示为：
B
＝
LabelMap1(A1)∪
…
∪LabelMap
M
(A
M
)A
i
＝
InverseLabelMap
i
(B)。3.
根据权利要求1所述的回归分离式多检测头的跨数据集目标检测方法
,
其特征是：步骤
2)
所述根据多个数据集类别添加多个回归分离式检测头，具体为：
①
共享目标检测网络特征提取层和特征汇聚层；
②
设计多检测头层，每一个检测头为无锚点框模式，由3个卷积层
、2
个批归一化层和分类回归输出层级联组成；
③
在网络检测头部分，替换原有的单一数据集检测头，调整为跨数据集检测头，此时，网络输出为
cls
i
和
reg
i
，其中，
cls
i
的第一个维度为
A
i
的元素个数
。4.

【专利技术属性】
技术研发人员：陆峰，朱愿，娄静涛，潘世举，王任栋，
申请(专利权)人：中国人民解放军陆军军事交通学院军事交通运输研究所，
类型：发明
国别省市：