[发明专利]一种基于DIOU损失函数的训练网络的方法

权利要求书

1.一种基于DIOU损失函数的训练网络的方法，其特征在于，包括以下步骤：

步骤1：下载并预处理coco数据集，按数据集本身划分的训练集和测试集进行训练；

步骤2：完成参数初始化；

步骤3：将数据集输入网络；

步骤4：图像经过FPN网络处理后生成建议区域和损失函数层的输入，得到分类得分和定位得分；

步骤5：根据损失计算梯度，更新参数，完成初步分类训练和边框回归并生成建议区域；分类训练使用交叉熵损失，边框回归使用DIOU；

步骤6：将建议区域映射到原特征图上后进行RolPooling，将建议区域统一固定尺寸；

步骤7：将得到的ROIs输入最后的两个分类器得到分类损失和定位损失的损失函数如下：

为分类损失，为定位损失；

其中，N_cls为分类使用的样本数量，p_i为预测的概率值，为真实的概率值，N_reg为边框回归时使用的样本数量，t_i为预测的边框信息，为真实的边框信息，λ为平衡因子用来平衡两个损失之间网络训练时使用的样本数量不同；

步骤8：根据损失计算梯度，反向传播更新参数；

步骤9：如果网络没有收敛继续返回步骤3；

步骤10：网络收敛后就可以在测试集上进行测试和评估。

2.根据权利要求1所述的基于DIOU损失函数的训练网络的方法，其特征在于，所述步骤1可使用平移、剪切、缩放方式进行数据增强。

3.根据权利要求1所述的基于DIOU损失函数的训练网络的方法，其特征在于，所述步骤1中的所下载coco数据集可以建立以ResNet50为主干的Faster RCNN的网络结构，同时选择近似联合的训练方法，同时训练Faster RCNN网络的FPN网络和Fast RCNN网络。

4.根据权利要求1所述的基于DIOU损失函数的训练网络的方法，其特征在于，所述步骤7中还包括将得到的ROIs输入进行Softmax层得到分类得分和边框得分。

5.根据权利要求1所述的基于DIOU损失函数的训练网络的方法，其特征在于，所述步骤4和所述步骤7中的回归损失的函数考虑了目标框与预测框的位置信息，为网络训练提供梯度方向。

6.根据权利要求1所述的基于DIOU损失函数的训练网络的方法，其特征在于，所述步骤8更新的参数为网络的特征处理的权值和偏置参数，可通过Adam优化算法更新。

7.根据权利要求1所述的基于DIOU损失函数的训练网络的方法，其特征在于，所述步骤3中对图像进行缩放的方式输入。