一种边界框回归方法及系统技术方案

本申请公开了一种边界框回归方法及系统，其中，方法步骤包括：获取目标场景当中待检测图像边界框损失函数的范式；基于所述范式，得到改进IoU损失函数；基于所述改进IoU损失函数，确定边界框回归损失函数；将所述边界框回归损失函数应用到非极大值抑制处理中，提高检测精度。本申请完善边界框宽高属性回归属性，不但考虑重叠面积和边界框距离，进一步添加关于宽高回归的惩罚项，而且惩罚项避免了CIoU回归宽高比所造成的阻碍回归问题，保证了归回边界框回归属性的完整性。同时，将创新的CRIoU损失应用到目标检测网络的非极大值抑制处理中，提升了检测精度。提升了检测精度。提升了检测精度。

【技术实现步骤摘要】
一种边界框回归方法及系统


[0001]本申请涉及边界框回归领域，具体涉及一种边界框回归方法及系统。

技术介绍

[0002]近几年来随着深度学习在交通检测、汽车的自动驾驶技术、目标跟踪、面部识别和图像分割等方面都有着十分广泛的应用，深度学习在这些场景广泛的应用都归根于目标检测框架的快速发展。
[0003]使用CNN(Convolutional Neural Networks)检测物体的想法在1998年就产生了，Lecun等人最先将CNN分类方法应用在检测图像中的目标。在后来，这种网络变换方式被称为全卷积网络((Fully Convolutional Network，FCN)。自从2012年AlexNet在图像分类任务中取得了重大的成功，CNN分类图像的的方法被广泛的应用起来。从而以图像分类网络为主干图像特征提取网络的下游任务如:3D目标检测、姿态检测、图像分割、面部识别等也得到快速的发展。Girshick等人将AlexNet的目标识别功能应用到目标检测中，提出了一个目标检测算法(Regions with features，R
‑
CNN)，R
‑
CNN基于卷积神经网络(CNN)、线性回归和支持向量机(Support Vector Machines，SVM)等算法的目标检测框架，实现了目标检测技术。这是目标检测领域中第一个使用深度学习方法进行检测的模型，同样也是使用双阶段检测结构进行目标检测的开端。但RCNN的region proposal有几千个存在大量重叠部分，这些大量的重叠部分的特征会存在反复提取的情况，因此计算开销较大。

技术实现思路

[0004]本申请提出一种创新IoU损失函数完善了回归任务和评价指标的相关性和边界框中心点回归属性的完整性，提高了检测精度和收敛速度，同时弥补了IoU与GIoU在特殊情况下的缺点。
[0005]为实现上述目的，本申请提供了一种边界框回归方法，步骤包括：
[0006]获取目标场景当中待检测图像边界框损失函数的范式；
[0007]基于所述范式，得到改进IoU损失函数；
[0008]基于所述改进IoU损失函数，确定边界框回归损失函数；
[0009]将所述边界框回归损失函数应用到非极大值抑制处理中，提高检测精度。
[0010]优选的，确定所述范式的方法包括：
[0011]L＝1
‑
IoU+R(G，B)
[0012]式中，L为损失函数；R(G，B)为惩罚项；G为预测框的参数；B为目标框的参数；IoU为Jaccard系数。
[0013]优选的，所述惩罚项满足的条件包括：损失函数的收敛梯度方向要和两框重叠程度的评价指标相同；惩罚项数值稳定性和尺度不变性。
[0014]优选的，得到所述改进IoU损失函数的方法包括：选取两边界框的中心点所围成矩形的周长和包围两框的最小外包框的周长的比值作为惩罚项；所述比值中包含两框中心点
的距离信息，确定所述改进IoU损失函数。
[0015]优选的，所述改进IoU损失函数包括：
[0016][0017]式中，L
A
‑
CRIoU
为改进IoU损失函数；R
A
‑
CRIoU
(G，B)为改进IoU损失函数的惩罚项；P1为两框中点所围成矩形的周长；P2为最小外包框的周长。
[0018]优选的，确定所述边界框回归损失函数的方法包括：
[0019]损失函数的收敛梯度方向和两框重叠程度的评价指标相同；
[0020]稳定的惩罚项数值；
[0021]尺度不发生变化的惩罚项数值。
[0022]优选的，提高所述检测精度的方法包括：将所述边界框回归损失函数应用到非极大值抑制中，利用所述边界框回归损失函数中惩罚项的中心点距离信息，来保证检测结果的准确性：
[0023][0024]式中，M为最得分预测框；Bi为其他预测框；ε为得分的阈值；Si为分类得分。
[0025]本申请还提供了一种边界框回归系统，包括：构建模块、改进模块、确定模块和应用模块；
[0026]所述构建模块用于获取目标场景当中待检测图像边界框损失函数的范式；
[0027]所述改进模块用于基于所述范式，得到改进IoU损失函数；
[0028]所述确定模块用于基于所述改进IoU损失函数，确定边界框回归损失函数；
[0029]所述应用模块用于将所述边界框回归损失函数应用到非极大值抑制处理中，提高检测精度。
[0030]与现有技术相比，本申请的有益效果如下：
[0031]本申请完善边界框宽高属性回归属性，不但考虑重叠面积和边界框距离，进一步添加关于宽高回归的惩罚项，而且惩罚项避免了CIoU回归宽高比所造成的阻碍回归问题，保证了归回边界框回归属性的完整性。同时，将创新的CRIoU损失应用到目标检测网络的非极大值抑制(Non
‑
Maximum Suppression，NMS)处理中，提升了检测精度。
附图说明
[0032]为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，实施例一为初始分割实例，实施例二为区域合并实例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0033]图1为本申请实施例一的方法流程示意图；
[0034]图2为本申请实施例一的A
‑
CRIoU惩罚项示意图；
[0035]图3为本申请实施例一的不同回归状态时损失值的区别示意图；
[0036]图4为本申请实施例一的不同边界框损失函数的回归过程的区别示意图；
[0037]图5为本申请实施例二的系统结构示意图。
具体实施方式
[0038]下面将结合本申请实施例中的附图，对本申请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申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都属于本申请保护的范围。
[0039]为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本申请作进一步详细的说明。
[0040]实施例一
[0041]如图1所示，为本实施例的方法流程示意图，步骤包括：获取目标场景当中待检测图像边界框损失函数的范式；基于范式，得到改进IoU损失函数；基于改进IoU损失函数，确定边界框回归损失函数；将边界框回归损失函数应用到非极大值抑制处理中，提高检测精度。
[0042]在本实施例中，目标场景为自动驾驶车辆在行驶过程中扫描到的场景图像。
[0043]IoU被称为Jaccard系数，主要用于衡量两个区域的相交面积的相对大小，其在目标检测任务中通常作为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种边界框回归方法，其特征在于，步骤包括：获取目标场景当中待检测图像边界框损失函数的范式；基于所述范式，得到改进IoU损失函数；基于所述改进IoU损失函数，确定边界框回归损失函数；将所述边界框回归损失函数应用到非极大值抑制处理中，提高检测精度。2.根据权利要求1所述的边界框回归方法，其特征在于，确定所述范式的方法包括：L＝1
‑
IoU+R(G，B)式中，L为损失函数；R(G，B)为惩罚项；G为预测框的参数；B为目标框的参数；IoU为Jaccard系数。3.根据权利要求2所述的边界框回归方法，其特征在于，所述惩罚项满足的条件包括：损失函数的收敛梯度方向和两框重叠程度的评价指标相同；稳定的惩罚项数值；尺度不发生变化的惩罚项数值。4.根据权利要求1所述的边界框回归方法，其特征在于，得到所述改进IoU损失函数的方法包括：选取两边界框的中心点所围成矩形的周长和包围两框的最小外包框的周长的比值作为惩罚项；所述比值中包含两框中心点的距离信息，确定所述改进IoU损失函数。5.根据权利要求4所述的边界框回归方法，其特征在于，所述改进IoU损失函数包括：式中，L
A
‑
...

【专利技术属性】
技术研发人员：俞辉，魏宪，郭杰龙，李杰，邵东恒，张剑锋，
申请(专利权)人：泉州装备制造研究所，
类型：发明
国别省市：