[发明专利]一种基于特征匹配优化的无锚框目标检测网络训练方法

权利要求书

1.一种基于特征匹配优化的无锚框目标检测网络训练方法，其特征在于，所述训练方法包括以下步骤：

步骤1，获取待检测图像的目标检测特征图；

步骤2，根据特征图，获得所有特征对应的预测框坐标和分类；

步骤3，进行特征与目标、背景的匹配；

步骤3包括以下子步骤：

步骤3-1，构造每个目标的特征集合；

步骤3-2，获得单个特征正确预测目标的概率；

步骤3-2中，采用下式获得特征a_j正确预测第i个目标的概率:

其中，表示在网络参数θ的情况下a_j的分类置信度，表示在网络参数θ的情况下a_j的位置置信度，b_i表示真实目标框，β表示平衡回归误差和分类误差的正则化因子；表示单个正特征的分类误差函数，表示单个正特征的定位误差函数，l_reg(·)表示Smooth L1 Loss回归误差，即网络位置预测值与真实目标框b_i之间的回归误差；

步骤3-3，获得特征集合的概率；

步骤3-4，对网络参数和特征-目标匹配进行优化。

2.根据权利要求1所述的训练方法，其特征在于，步骤1包括以下子步骤：

步骤1-1，将有标注的待检测图像放缩至固定大小，然后输入特征提取网络；

步骤1-2，采用特征提取网络提取待检测图像不同尺度的特征图。

3.根据权利要求1所述的训练方法，其特征在于，步骤3-1中，根据特征是否在训练样本目标框内，确定特征是否负责预测该训练样本目标框对应的目标，

其中，如果特征位于训练样本目标框内，即认为该特征负责预测该真实目标框对应的目标，此特征称为正特征；若特征位于真实目标框外，即认为该特征预测背景，称为负特征。

4.根据权利要求1所述的训练方法，其特征在于，步骤3-3中，通过下式获得特征集合的匹配概率：

其中，

表示特征集合的召回率，表示特征集合的精度；Y_i∈{0,1}是一个二值变量，指示特征集合A_i是否可以预测目标b_i；y_ij∈{0,1}是一个二值变量，用于指示特征a_j是否可以预测目标b_i；M+是正特征匹配函数；M-是负特征匹配函数；

φ_i表示第i个目标的特征集合；φ_ij表示第i个目标的特征集合中的第j个特征预测目标的概率。

5.根据权利要求1所述的训练方法，其特征在于，步骤3-4中，通过下式对网络参数和特征-目标匹配进行优化：

其中，表示特征匹配损失，表示焦点损失；特征匹配损失和焦点损失被设置为相同权重，K表示正特征的数量，N表示负特征的数量，γ表示焦点损失的指数参数；A-表示负特征的集合。

6.一种基于特征匹配优化的无锚框目标检测方法，其特征在于，所述检测方法包括采用权利要求1至5之一所述的训练方法对检测网络进行训练的步骤；

在获得训练好的检测器后，按照包括以下步骤的方法进行检测：

步骤I，将待检测有标注图像放缩至固定大小后输入特征提取网络提取不同尺度的特征图；

步骤II，将得到的特征图输入检测器得到所有特征对应的预测框偏移值和分类值；

步骤III，将所有预测框进行非局部极大值抑制，得到最终检测输出。

7.一种计算机可读存储介质，其特征在于，存储有基于特征匹配优化的无锚框目标检测网络训练程序，所述程序被处理器执行时，使得处理器执行权利要求1至5之一所述基于特征匹配优化的无锚框目标检测网络训练方法的步骤。

8.一种计算机设备，包括存储器和处理器，其特征在于，所述存储器存储有基于特征匹配优化的无锚框目标检测网络训练程序，所述程序被处理器执行时，使得处理器执行权利要求1至5之一所述基于特征匹配优化的无锚框目标检测网络训练方法的步骤。