[发明专利]基于动态样本选择和损失一致性的物体检测方法和系统

权利要求书

1.一种基于动态样本选择和损失一致性的物体检测方法，其特征在于，所述方法包括：

步骤S100，获取测试图像；

步骤S200，将所述测试图像输入训练好的物体检测模型，获得多个测试图像预测框位置和测试图像预测框属于各类别的概率；所述测试图像预测框位置包含预测IoU值和测试图像边框回归值；

步骤S300，基于所述测试图像预测框位置和测试图像预测框属于各类别的概率，通过非极大值抑制方法获得最优检测结果；所述最优检测结果包括测试图像最优预测框位置和目标类别；

其中，所述物体检测模型基于物体检测卷积神经网络、分类器和回归器构建，并基于训练图像以及设定的包含非极大值抑制一致性损失函数的全局损失函数训练；所述物体检测模型训练过程中动态地选取正样本和负样本，并通过随机梯度下降算法来反向传播误差，更新网络参数，反复迭代至损失函数收敛，获得训练好的物体检测模型；

所述物体检测模型，其训练方法包括；

步骤B100，获取带有标注框的训练图像；

步骤B200，基于所述训练图像的标注框，获取正样本集合和负样本集合；

步骤B300，将所述正样本集合产生的预测框划分为真正样本集合和伪正样本集合，将负样本集合划分为真负样本集合和伪负样本集合，舍弃伪负样本集合；

步骤B400，将所述真正样本集合输入所述分类器进行分类器训练，获得真正样本预测框属于各类别的概率；

将所述真正样本集合和伪正样本集合输入所述回归器进行回归器训练，获得训练样本回归预测框位置；其中，所述训练样本回归预测框的位置包含预测IoU值和训练样本边框回归值；

将所述真负样本输入所述分类器进行分类器训练并获得真负样本属于各类别的概率；

步骤B500，基于用于训练分类器的样本预测各类别的概率和训练样回归器的样本预测标注框的位置，通过分类回归一致性方法和随机梯度下降算法反复迭代至损失函数收敛，获得训练好的物体检测模型；所述用于训练分类器的样本包括真负样本和真正样本，所述用于训练回归器的样本包括全部正样本。

2.根据权利要求1所述的一种基于动态样本选择和损失一致性的物体检测方法，其特征在于，步骤B200包括：

步骤B210，基于所述训练图像，生成预设数量不同尺寸的待选锚点框集合；

步骤B220，计算所述待选锚点框和标注框的第一IoU和所述待选锚点框中心点到标注框中心点的欧式距离；

步骤B230，基于所述第一IoU，对同一个标注框对应的待选锚点框进行降序排序，其中所述第一IoU相同的待选锚点框依据所述待选锚点框中心点到标注框中心点的欧氏距离升序排序，选取前K个所述待选锚点框作为正样本，其余为负样本，K为预设的自然数。

3.根据权利要求1所述的基于动态样本选择和损失一致性的物体检测方法，其特征在于，所述步骤B300包括：

步骤B310，基于所述正样本集合和负样本集合，通过所述物体检测卷积神经网络，分别生成正样本预测框集合和负样本预测框集合；

一张训练图像的正样本集合为：其中m是正样本的数量，与正样本集合对应的正样本预测框集合为：

一张训练图像的负样本集合为：其中k是负样本的数量，与负样本集合对应的负样本预测框集合为：

步骤B320，计算正样本预测框与标注框的第二IoU，和负样本预测框与标注框的第三IoU；

若所述正样本预测框与标注框的第二IoU小于预设的真正-伪正判定阈值，则将该正样本预测框对应的正样本添加伪正样本标签设定为伪正样本集合，其余添加真正样本标签设定为真正样本集合；

若所述负样本预测框与标注框的第三IoU大于预设的真负-伪负阈值，则将该负样本预测框对应的负样本添加伪负样本标签设定为伪负样本集合，其余添加真负样本标签设定为真负样本集合。