[发明专利]一种长尾目标检测方法与系统

权利要求书

1.一种长尾目标检测方法，其特征在于，包括：

步骤1、获取由已标记目标类别的图片，并将图片中目标类别以外的区域标记为背景类别，集合所有图片构成训练样本，通过Softmax训练目标检测模型，得到初步检测模型，按照训练集中每个类别包含的目标样本数量，对该初步检测模型最后一个全连接层的节点进行分组，得到多个节点组；

步骤2、在节点组内添加其它类别节点，该其它类别节点用于区别所有属于该节点组内正常类别以外的其它类别，固定初步检测模型中除分类分支中最后一个全连接层以外的所有参数，仅通过平衡分组Softmax更新该初步检测模型中最后一个全连接层的权重，得到最终检测模型；

步骤3、将待目标检测的测试图片输入至该最终检测模型，该最终检测模型中各节点组给出该测试图片的正常类别得分，用属于背景类别的节点组给出该测试图片的其它类别得分对所有正常类别得分进行加权，得到该测试图片属于各类别的最终得分。

2.如权利要求1所述的长尾目标检测方法，其特征在于，步骤2中该平衡分组Softmax具体包括：

若当前图片中的某个候选窗口的标记目标类别属于第i组节点组，则第i组节点组内该标记目标类别的标注为1，第i组节点组内所有剩余类别标注为0；除第i组节点组以外的所有剩余组内其它类别标注为1所有剩余类别标注为0，通过对所有节点组分别计算Softmax和交叉熵损失，更新初步检测模型中最后一个全连接层的权重。

3.如权利要求1所述的长尾目标检测方法，其特征在于，该目标检测模型为基于候选窗口的两阶段/多阶段的目标检测或实例分割框架。

4.如权利要求1或2所述的长尾目标检测方法，其特征在于，使用该Softmax和交叉熵计算所有候选窗口的损失：

其中，z_j表示该全连接层z的第i个元素，p_j表示当前候选窗口被预测为类别j的概率，C为目标类别总数，y_j的含义是第j个真实标注。

5.一种长尾目标检测系统，其特征在于，包括：

模块1、获取由已标记目标类别的图片，并将图片中目标类别以外的区域标记为背景类别，集合所有图片构成训练样本，通过Softmax训练目标检测模型，得到初步检测模型，按照训练集中每个类别包含的目标样本数量，对该初步检测模型最后一个全连接层的节点进行分组，得到多个节点组；

模块2、在节点组内添加其它类别节点，该其它类别节点用于区别所有属于该节点组内正常类别以外的其它类别，固定初步检测模型中除分类分支中最后一个全连接层以外的所有参数，仅通过平衡分组Softmax更新该初步检测模型中最后一个全连接层的权重，得到最终检测模型；

模块3、将待目标检测的测试图片输入至该最终检测模型，该最终检测模型中各节点组给出该测试图片的正常类别得分，用属于背景类别的节点组给出该测试图片的其它类别得分对所有正常类别得分进行加权，得到该测试图片属于各类别的最终得分。

6.如权利要求5所述的长尾目标检测系统，其特征在于，模块2中该平衡分组Softmax具体包括：

若当前图片中的某个候选窗口的标记目标类别属于第i组节点组，则第i组节点组内该标记目标类别的标注为1，第i组节点组内所有剩余类别标注为0；除第i组节点组以外的所有剩余组内其它类别标注为1所有剩余类别标注为0，通过对所有节点组分别计算Softmax和交叉熵损失，更新初步检测模型中最后一个全连接层的权重。

7.如权利要求5所述的长尾目标检测系统，其特征在于，该目标检测模型为基于候选窗口的两阶段/多阶段的目标检测或实例分割框架。

8.如权利要求5或6所述的长尾目标检测系统，其特征在于，使用该Softmax和交叉熵计算所有候选窗口的损失：

其中，z_j表示该全连接层z的第i个元素，p_j表示当前候选窗口被预测为类别j的概率，C为目标类别总数，y_j的含义是第j个真实标注。