一种融合样本定位质量分数与分类置信度分数的高准确度单阶段目标检测方法技术

本发明专利技术公开了一种融合样本定位质量分数与分类置信度分数的高准确度单阶段目标检测方法。单阶段检测模型同时对每个特征点进行分类和回归定位，且分类和回归两个任务相互独立，互相之间缺乏感知，导致出现假阳性检测结果(高分类置信度分数，低定位准确度)，这显著影响了单阶段检测模型的应用。为了解决这一问题，本发明专利技术设计了基于特征的可学习定位质量分支(LQE)，通过增加分类‑回归定位的相互感知抑制假阳性检测，并将该LQE分支与传统的分类分支融合，使其能够同时辅助模型训练与推理检测。通过指数因子动态地调控LQE分支在融合分数(ranking_score)中的占比，进一步优化LQE分支及定位质量分数的调控作用。最后采用基于样本IoU的二值交叉熵损失函数监督LQE分支的训练,提升LQE分支的训练效率。由于LQE分支的轻量级特性，仅包含一层激活层，因此对检测速度没有影响。

【技术实现步骤摘要】

本专利技术属于计算机视觉领域，特别是涉及目标检测、样本选择与加权、图像识别等领域。

技术介绍

1、单阶段目标检测框架具备更快的检测速度，但由于其直接从特征点进行分类检测和边界框位置回归，导致出现假阳性检测结果，其原因为分类和回归定位任务之间缺乏交互，因此检测头无法感知定位准确度。为了对假阳性检测结果进行抑制，通常是优化损失函数，例如在分类损失函数中加入定位准确度的参数，反之则是在回归损失函数中加入分类分数。为了从根本上对假阳性检测进行抑制，本专利直接在检测头中加入感知定位准确度的lqe分支，通过将与原有的分类分支进行融合，使检测头在训练和推理阶段都具备感知定位准确度的能力，从而依据定位质量分数对假阳性检测结果进行抑制。

技术实现思路

1、本专利技术的目的为通过提升分类-回归定位的交互感知来提升单阶段目标检测框架的检测精度。由于单阶段检测模型直接对每个特征点同时进行分类和回归定位，两个任务相互独立且缺乏交互，但却采用了相同的区域特征，因此会产生假阳性检测结果(高分类置信度分数低定位质量)，这大大地影响了检测性能本文档来自技高网...

【技术保护点】

1.一种融合样本定位质量分数与分类置信度分数的高准确度单阶段目标检测方法，其特征包括以下步骤：

【技术特征摘要】

1.一种融合样本定位质量分数与分类置信度分数的高...

【专利技术属性】
技术研发人员：王伟波，刘鹏飞，谭久彬，
申请(专利权)人：哈尔滨工业大学，
类型：发明
国别省市：