[发明专利]针对少类别场景的目标检测模型优化与加速的方法

权利要求书

1.一种针对少类别场景的目标检测模型优化与加速的方法，包括以下步骤：

获取并标注待检测图片；

将标注好的图片，加入到特征提取装置进行特征提取，得到三组固定大小的特征图；

将三组固定大小的特征图送入到带有FocalLoss损失函数的预测装置进行结果预测；

对预测结果进行检测框的过滤，使得对于同一待检测物体，只有一个检测框输出；

其特征是：在所述的FocalLoss损失函数中增加一个自适应模块，具体为：

对于每张图片的每一个预测结果，计算交叉熵损失，累加所有真实标注为前景的损失，记为M，累加所有真实标注为背景的损失，记为N；

计算log(N/M)，记为S，如果S小于零，则S置为零，如果是第一次迭代，令S₀的值为S；

根据S的值，计算α的值，α＝1/(2^S+0.2)；

根据S和S₀的值计算γ的值，计算公式为γ＝min(S₀-S,2)。

2.如权利要求1所述的针对少类别场景的目标检测模型优化与加速的方法，其特征是所述的检测框的过滤包括以下步骤：

步骤1：首先得到网络的输出检测框坐标信息集合B＝{b₁，b₂...b_n}，置信度集合为S＝{s₁，s₂...s_n}，其中b_t，s_t对应同一检测框坐标信息和置信度；

步骤2：从S中取出置信度最大的元素，其下标记为i；

步骤3：根据下标i得到s_i和b_i，并且将s_i和b_i分别从集合S和B中删除；

步骤4：遍历集合B中剩余检测框，将所有与b_i的交并比大于0.5的检测框的下标加入到集合T中，如果T不为空集，则将b_i和s_i分别加入到结果集D和F中，同时从S和B集合中删除下标在集合T中的元素；

步骤5：循环步骤2-4，直到集合B为空集；

步骤6：返回最终结果集合D和F。

3.如权利要求1所述的针对少类别场景的目标检测模型优化与加速的方法，其特征是所述的检测框的过滤包括以下步骤：

步骤1：首先得到网络的输出检测框坐标信息集合B＝{b₁，b₂...b_n}，置信度集合为S＝{s₁，s₂...s_n}，其中b_t，s_t对应同一检测框坐标信息和置信度；

步骤2：从S中取出置信度最大的元素，其下标记为i；

步骤3：根据下标i得到s_i和b_i，并且将s_i和b_i分别从集合S和B中删除；

步骤4：遍历集合B中剩余检测框，将所有与检测框b_i交并比大于0.5的检测框所对应的坐标信息和置信度分别加入到集合和中，对于集合和集合中的每个元素，以检测框的置信度为权重，使用检测框的坐标信息对检测框b_i进行加权，得到然后从集合S中删除集合中元素，从集合B中删除集合中元素；

步骤5：将和s_i加入到结果集D和F中；

步骤6：循环步骤2-5，直到集合B为空集；

步骤7：返回最终结果集合D和F。