[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

说明书

本发明属于模式识别领域，具体涉及了一种基于动态样本选择和损失一致性的物体检测方法和系统，旨在解决物体识别精确度和性能不足的问题。本发明包括：先获取测试图像，通过在训练过程中动态地选取正样本和负样本，并引入非极大值抑制损失，该物体检测模型获得测试图像的预测框位置以及预测框属于各类别的概率，再次通过非极大值抑制获得最优测试图像的目标类别和预测框位置。本发明使每个标注框产生相同数量的正样本，优化器可以公平的对待每个训练样本，通过动态样本选择，通过预测每个预测框的IoU对回归损失函数重新加权使最优的检测结果更加精确，在训练阶段引入非极大值抑制损失函数对训练中产生的虚检进行惩罚，从而在测试阶段减少虚检。

技术领域

本发明属于模式识别领域，具体涉及了一种基于动态样本选择和损失一致性的物体检测方法、系统。

背景技术

物体检测是计算机视觉至关重要的技术领域，在多个高层视觉任务中属于基础模块。目前的物体检测方法主要分为基于锚点框和无需锚点框两种主流方法。这两种方法在训练阶段都需要定义正负样本以进行分类和回归任务，并且在测试阶段中都需要使用非极大值抑制算法输出最优结果。但当前物体检测算法存在两个问题，其一是训练的非动态性问题，当样本在训练开始阶段被划分为正负样本后，整个训练过程都使用这个固定的划分结果，但是随着训练的进行，样本在发生变化，而正负样本的划分并没有随着训练的进行而动态变化；其二是训练的非一致性问题，物体检测的训练阶段有两个非一致性，第一个非一致性是在检测中得分最高的预测框未必是位置最准确的预测框，第二个非一致性体现在对虚检的过滤上，测试阶段使用非极大值抑制算法过滤虚检，而训练阶段没有涉及这一操作。总的来说，就是分类和回归任务的非一致性和非极大值抑制在训练和测试阶段的非一致性，容易导致无法得到最佳的分类和物体位置的问题。

发明内容

为了解决现有技术中的上述问题，即现有的物体检测技术使用的检测模型，训练过程中依据检测初始阶段预设的锚点框和固定的标签进行训练，并没有随训练样本的变化而动态优化网络，分类最优和定位最优不一致，训练和测试中非极大值抑制操作不一致的问题，本发明提供了一种基于动态样本选择和损失一致性的物体检测方法，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，通过第一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最优测试图像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。

进一步地，所述物体检测模型的训练方法包括：

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预测框属于各类别的概率；