一种锚框参与训练的目标检测方法及装置制造方法及图纸

本发明专利技术提供一种锚框参与训练的目标检测方法，包括以下步骤：对输入的图像进行区域判定，确定图像中产生锚点的位置，并为各个锚点分配尺寸相同的锚框；在每次迭代训练中，计算各个锚框与待检测目标标注框之间的交并比，交并比大于设定阈值的锚框被指定用于检测目标；一轮迭代训练完成后，统计每个锚框的利用率，将利用率低于设定阈值的锚框定义为冗余锚框，并对冗余锚框的尺寸进行重新设定；否则计算锚框尺寸对整体损失的梯度，并基于所述梯度对锚框尺寸进行更新；使用更新后的锚框对目标检测模型进行迭代训练得到训练好的目标检测模型；利用训练好的目标检测模型进行目标检测。其能够避免在图像区域出现大量冗余锚框，提高目标检测的精度。检测的精度。检测的精度。

【技术实现步骤摘要】
一种锚框参与训练的目标检测方法及装置


[0001]本专利技术涉及目标检测
，具体涉及一种锚框参与训练的目标检测方法及装置。

技术介绍

[0002]目标检测的任务是找出图像中所有感兴趣的目标(物体)，确定它们的位置和大小，是机器视觉领域的核心问题之一。在目标检测任务中，算法的效果常常会受到多种因素的影响，而多尺度问题，即识别图像中不同区域、不同大小的目标，则是我们在目标检测中通常遇到的一个难题。目前流行的目标检测系统中，往往使用锚框尺寸作为预设尺寸并进行修正的方法，来提高对目标边界框的检测精度。
[0003]锚框尺寸的设定于检测精度的提升至关重要，主流的方法为将实际边界框尺寸进行聚类而得，或者人工设置若干尺寸，将这些锚框设置在图像中的各个锚点上，所以每个锚点上设置的锚框都相同。但实际上这造成锚框设定的冗余，如将一个用于检测极大、极宽目标的锚框设置在图像最左侧边缘，那么这个锚框实际上永远也不可能被利用，因为不会有极大、极宽的目标中心点出现在图像的最左侧，大量冗余锚框的存在会导致负样本数量过多，致使检测精度降低。

技术实现思路

[0004]针对上述
技术介绍
中提出的问题，本专利技术提供一种避免在图像各个区域出现大量冗余锚框的锚框参与训练的目标检测方法。
[0005]为达到上述目的，本专利技术所采用的技术方案是：
[0006]一种锚框参与训练的目标检测方法，包括以下步骤：
[0007]S1，对目标检测模型进行迭代训练的起始，对输入的图像进行区域判定，确定图像中产生锚点的位置，并为各个锚点分配尺寸相同的锚框；
[0008]S2，在每次对目标检测模型进行迭代训练的过程中，计算各个锚框与待检测目标标注框之间的交并比，交并比大于设定阈值的锚框被指定用于检测目标；
[0009]S3，一轮迭代训练完成后，统计每个锚框的利用率，将利用率低于设定阈值的锚框定义为冗余锚框，并对冗余锚框的尺寸进行重新设定；对利用率不低于设定阈值的锚框，计算锚框尺寸对整体损失的梯度，并基于所述梯度对锚框尺寸进行更新；
[0010]S4，使用更新后的锚框重复步骤S2
‑
S4对目标检测模型进行迭代训练，直至所述整体损失收敛，得到训练好的目标检测模型；
[0011]S5，利用训练好的目标检测模型对待检测图片进行目标检测。
[0012]进一步地，所述的整体损失包括置信度损失、类别损失和边界框损失，步骤S3中使用梯度下降法计算锚框尺寸对整体损失的梯度。
[0013]进一步地，步骤S3中基于所述梯度对锚框尺寸进行更新方法为：人为设定更新步长，根据梯度下降法所计算的偏导数，使锚框的尺寸减去所述更新步长与所述偏导数的乘
积，得到更新后的锚框尺寸。
[0014]进一步地，所述锚框的利用率为该锚框在一轮迭代训练中参与训练的次数。
[0015]进一步地，对冗余锚框的尺寸进行重新设定的方法为：统计每次迭代训练中，与该锚框交并比最大的待检测目标的实际边界框尺寸，将统计好的实际边界框尺寸放到一个集合中进行K
‑
means聚类，聚类所得结果即为该锚框在下一轮训练中的尺寸。
[0016]进一步地，在步骤S5的目标检测过程中，目标检测模型为每个锚框预测一个偏移量，包括尺寸偏移量和位置偏移量，各锚框的坐标及尺寸加上偏移量得到一个预测的边界框；得到预测边界框的同时，还为每个边预测界框预测出一类别向量和一存在目标的概率，类别向量用于负责预测该预测边界框中存在哪个类别的目标，存在目标的概率用于预测每个预测边界框中存在待检测目标的概率；将存在目标的概率大于某阈值的锚框筛选出来，用NMS算法合并属于同一目标的预测边界框。
[0017]本专利技术还提供一种锚框参与训练的目标检测装置，包括处理器以及存储器，所述存储器上存储有计算机程序，所述计算机程序被所述处理器执行时，实现所述的锚框参与训练的目标检测方法。
[0018]本专利技术进一步提供一种计算机存储介质，其上存储有计算机程序，其特征在于，所述计算机该程序被处理器执行时，实现所述的锚框参与训练的目标检测方法。
[0019]由于采用上述技术方案，本专利技术具有以下有益效果：
[0020]上述锚框参与训练的目标检测方法及装置，在训练起始，为各个锚点分配相同的锚框，在训练过程中，每次迭代训练都计算锚框尺寸对损失的梯度，并对锚框尺寸进行更新，实现在各个锚点位置设置不同的锚框组，让各个锚点的锚框更能反映所对应区域范围内目标的边界框特征，避免在图像各个区域出现大量冗余锚框，降低目标检测过程中负样本的数量，提高检测精度。
附图说明
[0021]图1为本专利技术一较佳实施方式的锚框参与训练的目标检测方法的流程图。
具体实施方式
[0022]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0023]需要说明的是，当组件被称为“固定于”另一个组件，它可以直接在另一个组件上或者也可以存在居中的组件。当一个组件被认为是“连接”另一个组件，它可以是直接连接到另一个组件或者可能同时存在居中组件。当一个组件被认为是“设置于”另一个组件，它可以是直接设置在另一个组件上或者可能同时存在居中组件。本文所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的。
[0024]除非另有定义，本文所使用的所有的技术和科学术语与属于本专利技术的
的技术人员通常理解的含义相同。本文中在本专利技术的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本专利技术。本文所使用的术语“及/或”包括一个或多个相
关的所列项目的任意的和所有的组合。
[0025]请参见图1，本专利技术一较佳实施方式提供一种锚框参与训练的目标检测方法，包括以下步骤：
[0026]S1，在对目标检测模型进行迭代训练的起始，对输入的图像进行区域判定，确定图像中产生锚点的位置，并为各个锚点分配尺寸相同的锚框。
[0027]在本实施方式中，步骤S1所使用的目标检测模型为现有技术中基于卷积神经网络的目标检测模型，其可以被分为两类：单步检测器和两步检测器，单步检测器例如YOLO(You only look once，实施对象检测系统)、SSD(singleshot multibox detector，单发多箱探测器)等目标检测模型，其具有较高的速度但是精度较低；两步检测器例如Faster R
‑
CNN(Faster Regions with ConvolutionNeural Network，更加快速的基于区域的卷积神经网络)等目标检测模型，其具有更高的精度但是速度较慢。
[0028]锚框为用于检测的二维空间中的先验矩形框，其尺寸包括锚框的高和宽，且锚框高和宽分别和本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种锚框参与训练的目标检测方法，其特征在于，包括以下步骤：S1，对目标检测模型进行迭代训练的起始，对输入的图像进行区域判定，确定图像中产生锚点的位置，并为各个锚点分配尺寸相同的锚框；S2，在每次目标检测模型进行迭代训练的过程中，计算各个锚框与待检测目标标注框之间的交并比，交并比大于设定阈值的锚框被指定用于检测目标；S3，一轮迭代训练完成后，统计每个锚框的利用率，将利用率低于设定阈值的锚框定义为冗余锚框，并对冗余锚框的尺寸进行重新设定；对利用率不低于设定阈值的锚框，计算锚框尺寸对整体损失的梯度，并基于所述梯度对锚框尺寸进行更新；S4，使用更新后的锚框重复步骤S2
‑
S4对目标检测模型进行迭代训练，直至所述整体损失收敛，得到训练好的目标检测模型；S5，利用训练好的目标检测模型对待检测图片进行目标检测。2.如权利要求1所述的锚框参与训练的目标检测方法，其特征在于，所述的整体损失包括置信度损失、类别损失和边界框损失，步骤S3中使用梯度下降法计算锚框尺寸对整体损失的梯度。3.如权利要求1所述的锚框参与训练的目标检测方法，其特征在于，步骤S3中基于所述梯度对锚框尺寸进行更新方法为：人为设定更新步长，根据梯度下降法所计算的偏导数，使锚框的尺寸减去所述更新步长与所述偏导数的乘积，得到更新后的锚框尺寸。4.如权利要求1所述的锚框参与训练的目标检测方法，其特征在于，所述锚框的利用率为该锚框在...

【专利技术属性】
技术研发人员：蔡启明，杨蓉，张政林，
申请(专利权)人：广西大学，
类型：发明
国别省市：