[发明专利]一种用于目标检测器模型训练过程中的免除采样方法

权利要求书

1.一种用于目标检测器模型训练过程中的免除采样方法，其特征在于，包括如下步骤：

步骤1：最优偏差初始化，有偏地初始化检测器模型网络输出预测张量的卷积层的偏置，使得检测器的分类损失被在训练开始阶段被初始化为极小值点；

步骤2：设计目标检测器训练的指导性损失函数，使用目标检测中的边框回归损失指导确定分类损失缩放的比例，通过比例计算使得分类损失与边框回归损失在数值上时刻相等；

步骤3：设置目标检测器模型训练类别的自适应阈值，计算数据集中统计的类别的数量和所有类别的数量的比值与正负样本数量的比值的乘积，根据某类别的数量和所有类别的数量的比值自适应的确定阈值，进行模型训练。

2.根据权利要求1所述的一种用于目标检测器模型训练过程中的免除采样方法，其特征在于，所述步骤1具体包括：

最优偏差初始化具体为：假设数据集中有C类目标种类，N个样本，其中有N_f个前景样本，则在训练开始阶段，使用交叉熵分类损失的损失函数LCE改写成：

其中，公式的前一项-log(π)是前景损失，后一项是背景损失；

公式(1)的导数为：

当时，L^CE取得极小值，由σ(b)≈π求得初始化偏置应为：

3.根据权利要求1所述的一种用于目标检测器模型训练过程中的免除采样方法，其特征在于，所述步骤2具体包括：

设计指导性损失函数，用回归损失L^CLS来确定分类损失降低的比例r：

其中，w^reg指回归损失的权重，其中公式(4)在计算中不经过反向传播，整个损失函数L为：

L＝w^regL^reg+w^clsL^cls·r (4)

其中，w^cls指分类损失的权重，r为公式(3)中计算出的比例；

回归损失不受前景背景不平衡的影响，设置w^reg＝1，微调w^cls完成计算。

4.据权利要求1所述的一种用于目标检测器模型训练过程中的免除采样方法，其特征在于，所述步骤3体包括：

设置类别自适应阈值，

其中，θ_j是第j类的阈值，N_j是训练数据集中第j类样本的数量。