[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

说明书

本发明公开了一种基于特征匹配优化的无锚框目标检测网络训练方法，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。本发明提供的基于特征匹配优化的无锚框目标检测网络训练方法，优化了对长条、密集目标的特征表示，提高了目标检测模型网络的性能，对单阶段和双阶段目标检测器的训练具有重要意义，对于自然场景、医学、遥感等领域的视觉目标检测具有应用价值。

技术领域

本发明涉及计算机视觉技术领域，具体涉及一种基于特征 匹配优化的无锚框目标检测网络训练方法(FreePoint方法)。

背景技术

近年来，卷积神经网络(CNN)在计算机视觉目标检测中 取得了良好的性能。为了表示各种外观、长宽比和姿势的目标， 许多基于CNN的检测器都将大小不同的锚框用作目标定位的 参考点。2019年，随着无锚框检测器的提出，卷积神经网络特 征图上的特征被当作目标定位的参考点。

锚框或者特征(此处的特征指代CNN特征图上的包含所有 特征通道的向量)匹配机制都基于“与目标在空间上对齐的锚 框或特征是最适合分类和定位的”假设。

但是，锚框与真实框重叠交并比(IoU)或者特征是否位 于真实框内不是最佳的误差函数计算机制。原因是：一方面， 对于不规则形状的目标(例如细长的物体)，最具代表性的特征 不靠近其几何中心，空间对齐的锚框或者特征可能对应于代表 性较差的特征，这会导致分类和定位的效果变差；另一方面， 当多个目标聚集在一起时，使用IoU准则将具有适当特征的目 标匹配是不可行的。

因此，有必要提供一种能够解决上述问题的目标检测方法。

发明内容

为了克服上述问题，本发明人进行了锐意研究，设计出一 种基于特征匹配优化的无锚框目标检测网络训练方法，该方法 通过构建特征集合进行特征-目标匹配，不依赖于锚框，同时引 入正锚匹配函数和负锚匹配函数，将单个特征概率与匹配至目 标或背景的特征集合的概率联系起来，显著改善了无锚框目标 检测中遮挡、长条和密集目标的检测效果，提升了目标检测精 度和召回率，从而完成了本发明。

具体来说，本发明的目的在于提供以下方面：

第一方面，提供一种基于特征匹配优化的无锚框目标检测 网络训练方法，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。

第二方面，提供一种基于特征匹配优化的无锚框目标检测 方法，所述检测方法包括采用上述的训练方法对检测网络进行 训练的步骤；

优选地，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(NMS)， 得到最终检测输出。

第三方面，提供一种计算机可读存储介质，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。

第四方面，提供一种计算机设备，包括存储器和处理器， 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。

本发明所具有的有益效果包括：