一种基于架构无关损失的长尾目标检测方法技术

本发明专利技术公开了一种基于架构无关损失的长尾目标检测方法。本发明专利技术考虑高维目标值，即目标的中心点坐标、边界框的宽高比、尺寸、边界框旋转角的长尾分布，而不仅是尺寸的长尾分布。本发明专利技术采用的网络结构设计合理，将目标检测的回归分支面临的目标位置及边界框具有长尾分布的问题考虑在内，补充了现有的长尾目标检测方法仅考虑类别的长尾分布的分析过程，提出的回归损失加权模块与网络架构无关，具有良好的迁移性。

【技术实现步骤摘要】

本专利技术涉及目标检测领域，具体涉及一种基于架构无关损失的长尾目标检测方法。

技术介绍

1、长尾分布，是指数据按照大小或者标签进行统计时，将对应大小或者标签下的数据样本的频数由大到小进行排列，可以观察到一个长尾的分布形式。在实际应用中，训练样本往往呈现类别长尾分布，其中少数类别具有大量的样本点，而其他的大多数类别仅有少量样本。

2、长尾学习可以被视为类别不平衡学习的一个具有挑战性的子任务，两者主要区别在于，长尾学习的类遵循长尾类分布，这对于类不平衡学习来说是不必要的，在长尾学习中，类的数量通常很大，尾部类样本往往非常稀少，而在类不平衡学习中，少数类样本的数量在绝对意义上并不一定很小。这些额外的挑战导致长尾学习比阶级不平衡学习更具挑战性。尽管存在这些差异，但两者都试图解决类别失衡问题。

3、类不平衡使得基于识别模型的深度网络的训练难度增加，训练后的模型易偏向具有大量训练数据的头部类，而在数据有限的尾部类别上性能较差。此外，尾部类样本的数量及多样性的缺乏使得训练用于尾部类分类的模型变得更具挑战性。因此，一般来说，利用经验风险最小化方法训本文档来自技高网...

【技术保护点】

1.一种基于架构无关损失的长尾目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于架构无关损失的长尾目标检测方法，其特征在于，所述步骤（2）中使用的Gaussian平滑采用5个1维高斯核对(x, y, r, s, ro)中的每个分量进行平滑，令i∈{x, y, r, s, ro }，表示窗口大小为w的离散高斯核，为分量i的离散分布形式，即将i的分布离散为m个bin，σ为高斯核的标准差，5个方向采用相同的标准差σ，σ指定考虑邻域时给予每个bin的重要性，通过增加σ，增加给每个相邻bin的权重，对与进行卷积运算：

3.根据权利要求2所述的基于架构无关...

【技术特征摘要】

1.一种基于架构无关损失的长尾目标检测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于架构无关损失的长尾目标检测方法，其特征在于，所述步骤（2）中使用的gaussian平滑采用5个1维高斯核对(x, y, r, s, ro)中的每个分量进行平滑，令i∈{x, y, r, s, ro }，表示窗口大小为w的离散高斯核，为分量i的离散分布形式，即将i的分布离散为m个bin，σ为高斯核的标准差，5个方向采用相同的标准差σ，σ指定考虑邻域时给予每个bin的重要性，通过增加σ，增加给每个相邻bin的权重，对与进行卷积运算：

3.根据权利要求2所述的基于架构无关损失的长尾目标检测方法，其特征在于，所述步骤（3）中在步骤（2）中提取的特征的基础上进一步进行特征提取，从而获得...

【专利技术属性】
技术研发人员：张弘，何甜，袁丁，杨一帆，邓阳艳，
申请(专利权)人：北京航空航天大学，
类型：发明
国别省市：