[发明专利]样本选择方法及装置、分类器训练方法及装置

说明书

本发明提供一种样本选择方法及装置、分类器训练方法及装置，应用于单阶段目标检测器，其中样本选择方法包括：构建同时考虑分类损失和回归损失的代价函数；根据检测网络输出的预测信息和目标真值，利用代价函数计算所有候选样本的代价；利用先验信息筛选候选样本；根据代价对筛选出的候选样本进行排序，选择前N个代价最小的样本为正样本，其余为负样本。分类器训练方法及装置，根据回归框与目标框的IoU值区分所有正样本，提高了高质量候选样本对分类损失的贡献，抑制低质量样本的影响。

技术领域

本发明涉及计算机视觉领域，尤其涉及目标检测，具体与一种样本选择方法及装置、分类器训练方法及装置有关。

背景技术

目前基于深度学习的目标检测网络主要分为两阶段检测器和单阶段检测器。两阶段检测器，如Faster-RCNN，首先通过区域生成网络提取候选区域，然后将候选区域送入检测网络进行目标分类和位置回归；两阶段检测器的检测精度较高，但速度慢，难以达到实时性要求。单阶段检测器，首先将输入图像划分为多个网格，利用网格信息，选择合适的样本进行训练，并直接在网格上预测分类和回归信息，检测速度快，可实时检测目标，因此广泛应用于各个领域。

目前单阶段检测器主要包括数据预处理、网络模型构建、样本选择和模型训练四个核心模块。样本选择主要是为目标选择合适的正样本，并为背景选择合适的负样本，是单阶段检测器重要的研究内容之一。用于单阶段检测器的样本选择方法主要分为两种，基于IoU损失的样本选择方法和基于中心点距离的样本选择方法。其中，基于IoU损失的样本选择方法首先根据手工设置的anchor，计算候选样本与目标的Intersection-over-Union(IoU)值，选择大于阈值T_IOU的样本为正样本，其余为负样本；基于中心点距离的样本选择方法根据候选样本所在网格坐标点与目标的中心点的L1距离，选择距离小于阈值T_c的样本为正样本，其余为负样本。这两种样本选择方法都采用了多对一的方式，即每个目标对应多个正样本，可以为模型训练提供丰富的监督信息。

但是上述两种样本选择方法存在以下几个问题：

（1）这两种样本选择方法都是基于先验信息，根据预先设定的anchor或者图像的网格坐标点计算损失，并没有考虑到模型的预测信息，选择的样本不是最优的样本；

（2）这两种样本选择方法只考虑了回归损失，目标检测融合了分类和定位两种任务，只考虑回归损失进行样本选择，不利于分类器的训练，如图1所示；

（3）目前大多数单阶段检测器使用FocalLoss训练分类器，认为分类分数低的样本为难样本，并增加了其对分类损失的贡献。使用多对一的样本选择方法，每个目标对应多个正样本，但这些正样本不都是有意义的样本，如图2所示，需要有区分地对待所有的正样本。

发明内容

针对上述现状，本发明提供一种样本选择方法及装置，构建同时考虑分类损失和回归损失的代价函数，对每个样本选择前N个代价最小的候选样本作为正样本，同时提供一种分类器训练方法及装置，根据回归框与目标框的IoU值区分所有正样本，提高了高质量候选样本对分类损失的贡献，抑制低质量样本的影响。

为了实现本发明的目的，拟采用以下方案：

一种基于预测信息的样本选择方法，应用于单阶段目标检测器，包括步骤：

构造代价函数；

根据所述单阶段目标检测器的检测网络输出的预测信息和目标真值，利用所述代价函数计算所有候选样本的代价；

利用先验信息筛选候选样本；

根据所述代价对筛选出的候选样本进行排序，选择前N个代价最小的样本为正样本，其余为负样本。