CN112418283A - 用于目标检测的标签平滑方法、装置、设备及存储介质 - Google Patents

用于目标检测的标签平滑方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN112418283A
CN112418283A CN202011275128.0A CN202011275128A CN112418283A CN 112418283 A CN112418283 A CN 112418283A CN 202011275128 A CN202011275128 A CN 202011275128A CN 112418283 A CN112418283 A CN 112418283A
Authority
CN
China
Prior art keywords
target
intersection
label
frame
ratio
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202011275128.0A
Other languages
English (en)
Other versions
CN112418283B (zh
Inventor
许耀赆
梁天明
曲延锋
刘海洋
戴弘林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
360 Smart Technology Tianjin Co ltd
Original Assignee
360 Smart Technology Tianjin Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 360 Smart Technology Tianjin Co ltd filed Critical 360 Smart Technology Tianjin Co ltd
Priority to CN202011275128.0A priority Critical patent/CN112418283B/zh
Publication of CN112418283A publication Critical patent/CN112418283A/zh
Application granted granted Critical
Publication of CN112418283B publication Critical patent/CN112418283B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

本发明属于机器学习技术领域，公开了一种用于目标检测的标签平滑方法、装置、设备及存储介质。本发明通过获取目标检测样本中目标框与目标交叠框的交集面积及并集面积；根据交集面积与所述并集面积确定交并比，根据交集面积与目标框的面积确定第一交积比，并根据交集面积与目标交叠框的面积确定第二交积比；根据交并比、第一交积比及第二交积比调整目标框的类别标签，以使类别标签平滑；由于是通过目标交叠框与目标框的各项比值调整类别标签，将调整后的类别标签作为目标检测样本的标签向量，可以正确反映目标检测样本中不同对象类别间的定量关系，且标签平滑计算过程并不复杂，计算时间短，可以满足工业场景中实时检测对计算时间的要求。

Description

用于目标检测的标签平滑方法、装置、设备及存储介质
技术领域
本发明涉及机器学习技术领域，尤其涉及一种用于目标检测的标签平滑方法、装置、设备及存储介质。
背景技术
标签平滑是一种损失函数的修正，以防止模型在训练过程中过拟合。目前，标签平滑技术已广泛使用于图像分类、语音识别、机器翻译等多个领域的深度学习模型，均取得了较好的效果。但是，在目标检测领域，标签平滑的应用存在局限，对于一张图片中多目标交叠的情形，现有标签平滑技术中的均匀分布不能正确反映不同类别间的定量关系，现有技术的解决方法是现队目标图像进行检测定位和实例分割，再进行图像分类，随后才可以使用现有的标签平滑技术，实现过程复杂，模型计算时间过长，无法满足工业场景中实时检测对计算时间的要求。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种用于目标检测的标签平滑方法、装置、设备及存储介质，旨在解决现有技术在目标检测时无法快速、准确的实现标签平滑的技术问题。
为实现上述目的，本发明提供了一种用于目标检测的标签平滑方法，所述方法包括以下步骤:
获取目标检测样本中目标框与目标交叠框的交集面积及并集面积；
根据所述交集面积与所述并集面积确定交并比，根据所述交集面积与所述目标框的面积确定第一交积比，并根据所述交集面积与所述目标交叠框的面积确定第二交积比；
根据所述交并比、所述第一交积比及所述第二交积比调整所述目标框的类别标签，以使所述类别标签平滑；
将调整后的类别标签作为所述目标检测样本的标签向量。
可选地，所述目标交叠框有多个；所述根据所述交并比、所述第一交积比及所述第二交积比调整所述目标框的类别标签，以使所述类别标签平滑的步骤，包括：
根据所述交并比确定各个对象类别对应的对象交并比，根据所述第一交积比确定对象类别对应的第一对象交积比，并根据所述第二交积比确定各个对象类别对应的第二对象交积比；
根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑。
可选地，所述根据所述交并比确定各个对象类别对应的对象交并比，根据所述第一交积比确定对象类别对应的第一对象交积比，并根据所述第二交积比确定各个对象类别对应的第二对象交积比的步骤，包括：
将所述目标交叠框根据对象类别进行分组，获得各个对象类别对应的目标交叠框子集；
根据所述目标交叠框子集中各个目标交叠框对应的交并比确定对应的对象交并比，根据所述目标交叠框子集中各个目标交叠框对应的第一交积比确定对应的第一对象交积比，并根据所述目标交叠框子集中各个目标交叠框对应的第二交积比确定对应的第二对象交积比。
可选地，所述根据所述目标交叠框子集中各个目标交叠框对应的交并比确定对应的对象交并比，根据所述目标交叠框子集中各个目标交叠框对应的第一交积比确定对应的第一对象交积比，并根据所述目标交叠框子集中各个目标交叠框对应的第二交积比确定对应的第二对象交积比的步骤，包括：
对所述目标交叠框子集中各个目标交叠框对应的交并比进行求和，获得对应的对象交并比；
对所述目标交叠框子集中各个目标交叠框对应的第一交积比进行求和，获得对应的第一对象交积比；
对所述目标交叠框子集中各个目标交叠框对应的第二交积比进行求和，获得对应的第二对象交积比。
可选地，所述根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑的步骤，包括：
根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比通过类别标签权重调整公式对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑：
所述类别标签权重调整公式为：
Figure BDA0002777870680000031
式中，label(A)j为目标框A的类别标签，ID(A)为目标框A的对象类别，ID(A')为目标交叠框的对象类别，others为其他对象类别，α、β为调节参数，0≤α≤1，0≤β≤1，为
Figure BDA0002777870680000036
第i个对象类别对应的对象交并比，
Figure BDA0002777870680000032
为第i个对象类别对应的第一对象交积比，
Figure BDA0002777870680000033
为第i个对象类别对应的第二对象交积比。
可选地，所述将调整后的类别标签作为所述目标检测样本的标签向量的步骤之前，还包括：
对所述目标框的类别标签进行归一化调整，获得调整后的类别标签。
可选地，所述对所述目标框的类别标签进行归一化调整，获得调整后的类别标签的步骤，包括：
通过归一化公式对所述目标框的类别标签进行归一化调整，获得调整后的类别标签；
所述归一化公式为：
Figure BDA0002777870680000034
式中，xi为类别标签中第i个权重值，xi为调整后的类别标签中第i个权重值，
Figure BDA0002777870680000035
为类别标签中各个权重值的总和。
可选地，所述根据所述交并比、所述第一交积比及所述第二交积比调整所述目标框的类别标签，以使所述类别标签平滑的步骤，包括：
根据所述交并比、所述第一交积比及所述第二交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑。
可选地，所述根据所述交并比、所述第一交积比及所述第二交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑的步骤，包括：
根据所述交并比、所述第一交积比及所述第二交积比通过类别标签权重调整公式对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑；
所述类别标签权重调整公式为：
Figure BDA0002777870680000041
式中，label(A)j为目标框的类别标签，ID(A)为目标框的对象类别，ID(A')为目标交叠框的对象类别，others为其他对象类别，α、β为调节参数，0≤α≤1，0≤β≤1，IOUA'为所述交并比，IOS1 A'为所述第一交积比，IOS2 A'为所述第二交积比。
可选地，所述根据所述交集面积与所述并集面积确定交并比，根据所述交集面积与所述目标框的面积确定第一交积比，并根据所述交集面积与所述目标交叠框的面积确定第二交积比的步骤，包括：
计算所述交集面积与所述并集面积的比值，获得交并比；
计算所述交集面积与所述目标框的面积的比值，获得第一交积比；
计算所述交集面积与所述目标交叠框的面积的比值，获得第二交积比。
可选地，所述获取目标检测样本中目标框与目标交叠框的交集面积及并集面积的步骤之前，还包括：
获取目标检测样本中与目标框交叠的交叠框的对象类别；
将所述对象类别与所述目标框的对象类别进行比较；
在所述对象类别与所述目标框的对象类别不同时，将所述交叠框作为目标交叠框。
此外，为实现上述目的，本发明还提出一种用于目标检测的标签平滑装置，所述装置包括：
面积获取模块，用于获取目标检测样本中目标框与目标交叠框的交集面积及并集面积；
比值确定模块，用于根据所述交集面积与所述并集面积确定交并比，根据所述交集面积与所述目标框的面积确定第一交积比，并根据所述交集面积与所述目标交叠框的面积确定第二交积比；
标签调整模块，用于根据所述交并比、所述第一交积比及所述第二交积比调整所述目标框的类别标签，以使所述类别标签平滑；
向量确定模块，用于将调整后的类别标签作为所述目标检测样本的标签向量。
可选地，所述标签调整模块，还用于根据所述交并比确定各个对象类别对应的对象交并比，根据所述第一交积比确定对象类别对应的第一对象交积比，并根据所述第二交积比确定各个对象类别对应的第二对象交积比；根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑。
可选地，所述标签调整模块，还用于将所述目标交叠框根据对象类别进行分组，获得各个对象类别对应的目标交叠框子集；根据所述目标交叠框子集中各个目标交叠框对应的交并比确定对应的对象交并比，根据所述目标交叠框子集中各个目标交叠框对应的第一交积比确定对应的第一对象交积比，并根据所述目标交叠框子集中各个目标交叠框对应的第二交积比确定对应的第二对象交积比。
可选地，所述标签调整模块，还用于对所述目标交叠框子集中各个目标交叠框对应的交并比进行求和，获得对应的对象交并比；对所述目标交叠框子集中各个目标交叠框对应的第一交积比进行求和，获得对应的第一对象交积比；对所述目标交叠框子集中各个目标交叠框对应的第二交积比进行求和，获得对应的第二对象交积比。
可选地，所述标签调整模块，还用于根据所述交并比、所述第一交积比及所述第二交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑。
可选地，所述比值确定模块，还用于计算所述交集面积与所述并集面积的比值，获得交并比；计算所述交集面积与所述目标框的面积的比值，获得第一交积比；计算所述交集面积与所述目标交叠框的面积的比值，获得第二交积比。
可选地，所述面积获取模块，还用于获取目标检测样本中与目标框交叠的交叠框的对象类别；将所述对象类别与所述目标框的对象类别进行比较；在所述对象类别与所述目标框的对象类别不同时，将所述交叠框作为目标交叠框。
此外，为实现上述目的，本发明还提出一种用于目标检测的标签平滑设备，，所述用于目标检测的标签平滑设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用于目标检测的标签平滑程序，所述用于目标检测的标签平滑程序被所述处理器执行时实现如上述任一项所述的用于目标检测的标签平滑方法的步骤。
此外，为实现上述目的，本发明还提出一种计算机可读存储介质，所述计算机可读存储介质上存储有用于目标检测的标签平滑程序，所述用于目标检测的标签平滑程序执行时实现如上述任一项所述的用于目标检测的标签平滑方法的步骤。
本发明通过获取目标检测样本中目标框与目标交叠框的交集面积及并集面积；根据交集面积与所述并集面积确定交并比，根据交集面积与目标框的面积确定第一交积比，并根据交集面积与目标交叠框的面积确定第二交积比；根据交并比、第一交积比及第二交积比调整目标框的类别标签，以使类别标签平滑；由于是通过目标交叠框与目标框的各项比值调整类别标签，将调整后的类别标签作为目标检测样本的标签向量，可以正确反映目标检测样本中不同对象类别间的定量关系，且标签平滑计算过程并不复杂，计算时间短，可以满足工业场景中实时检测对计算时间的要求。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的用于目标检测的标签平滑设备的结构示意图；
图2为本发明用于目标检测的标签平滑方法第一实施例的流程示意图；
图3为本发明用于目标检测的标签平滑方法第二实施例的流程示意图；
图4为本发明用于目标检测的标签平滑方法第三实施例的流程示意图；
图5为本发明用于目标检测的标签平滑装置第一实施例的结构框图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的用于目标检测的标签平滑设备结构示意图。
如图1所示，该电子设备可以包括：处理器1001，例如中央处理器(CentralProcessing Unit，CPU)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(WIreless-FIdelity，WI-FI)接口)。存储器1005可以是高速的随机存取存储器(RandomAccess Memory，RAM)存储器，也可以是稳定的非易失性存储器(Non-Volatile Memory，NVM)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对电子设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及用于目标检测的标签平滑程序。
在图1所示的电子设备中，网络接口1004主要用于与网络服务器进行数据通信；用户接口1003主要用于与用户进行数据交互；本发明电子设备中的处理器1001、存储器1005可以设置在用于目标检测的标签平滑设备中，所述电子设备通过处理器1001调用存储器1005中存储的用于目标检测的标签平滑程序，并执行本发明实施例提供的用于目标检测的标签平滑方法。
本发明实施例提供了一种用于目标检测的标签平滑方法，参照图2，图2为本发明一种用于目标检测的标签平滑方法第一实施例的流程示意图。
本实施例中，所述用于目标检测的标签平滑方法包括以下步骤：
步骤S10：获取目标检测样本中目标框与目标交叠框的交集面积及并集面积；
需要说明的是，本实施例的执行主体是所述用于目标检测的标签平滑设备，所述用于目标检测的标签平滑设备可以为个人电脑、服务器、云服务器等电子设备，还可为其他可实现相同或相似功能的设备，本实施例对此不作限制，在本实施例以及下述各实施例中，以用于目标检测的标签平滑设备为例对本发明用于目标检测的标签平滑方法进行说明。
需要说明的是，目标检测样本是用于对目标检测神经网络进行训练的样本集中的样本；目标框为目标检测样本中框选目标检测对象的图像框；目标交叠框为与目标框相交叠且框选对象类型与目标框对象类型不同的图像框；交集面积为目标框与目标交叠框的交叠区域的面积，目标框与目标交叠框的面积之和减去交集面积即可得到并集面积。
步骤S20：根据所述交集面积与所述并集面积确定交并比，根据所述交集面积与所述目标框的面积确定第一交积比，并根据所述交集面积与所述目标交叠框的面积确定第二交积比；
需要说明的是，交并比为交集面积与并集面积的比值，第一交积比为交集面积与目标框的面积的比值，第二交积比为交集面积与目标交叠框的面积的比值。
在实际使用中，可以计算所述交集面积与所述并集面积的比值，获得交并比；计算所述交集面积与所述目标框的面积的比值，获得第一交积比；计算所述交集面积与所述目标交叠框的面积的比值，获得第二交积比。
例如：目标框的面积为10，目标交叠框的面积为5，交集面积为2，计算得到并集面积为13，则交并比为2/13＝0.15，第一交积比为2/10＝0.2，第二交积比为2/5＝0.4。
步骤S30：根据所述交并比、所述第一交积比及所述第二交积比调整所述目标框的类别标签，以使所述类别标签平滑；
需要说明的是，类别标签用于表示目标框的目标对象归属于各对象类别的概率，通常使用向量的方式进行表示，例如：目标框的对象类别为A、B、C三种，类别标签为[0，1，0]，其含义为目标框的目标对象归属于B的可能性为1/(0+1+0)100％，类别标签为[0.2,0.4,0.4]，其含义为目标框的目标对象归属于A的可能性为0.2/(0.2+0.4+0.4)＝20％，目标框的目标对象归属于B的可能性为0.4/(0.2+0.4+0.4)＝40％，目标框的目标对象归属于C的可能性为0.4/(0.2+0.4+0.4)＝40％，类别标签为[4，7，9]，则目标框的目标对象归属于A的可能性为4/(4+7+9)＝20％，目标框的目标对象归属于B的可能性为7/(4+7+9)＝35％，目标框的目标对象归属于C的可能性为9/(4+7+9)＝45％。
进一步地，为了根据所述交并比、所述第一交积比及所述第二交积比调整所述目标框的类别标签，以使所述类别标签平滑，本实施例步骤S30，可以为：
根据所述交并比、所述第一交积比及所述第二交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑。
在实际使用中，可以根据所述交并比、所述第一交积比及所述第二交积比通过类别标签权重调整公式对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑；
类别标签权重调整公式为：
Figure BDA0002777870680000091
式中，label(A)j为目标框的类别标签，ID(A)为目标框的对象类别，ID(A')为目标交叠框的对象类别，others为其他对象类别，α、β为调节参数，0≤α≤1，0≤β≤1，IOUA'为所述交并比，IOS1 A'为所述第一交积比，IOS2 A'为所述第二交积比。
例如：设置α＝0.7，β＝0.4，目标框A的类别标签初始为[1,0]，对应的对象类别为目标框的对象类别ID(A)及其他对象类别，目标框的面积为10，目标交叠框的面积为5，交集面积为2，计算得到并集面积为13，则交并比IOUA'＝2/13＝0.15，第一交积比IOS1 A'＝2/10＝0.2，第二交积比IOS2 A'＝2/5＝0.4，代入类别标签权重调整公式进行计算，得到目标框A的类别标签label(A)j＝[1.021,0.024,0]，对应的对象类别分别为目标框的对象类别，目标交叠框的对象类别，其他对象类别。
步骤S40：将调整后的类别标签作为所述目标检测样本的标签向量。
可以理解的是，进行过调整的类别标签即已经进行过标签平滑的类别标签，可以直接作为目标检测样本对应的标签向量。
进一步地，为了便于神经网络模型进行训练，本实施例步骤S40之前还包括：
对所述目标框的类别标签进行归一化调整，获得调整后的类别标签。
需要说明的是，目标检测神经网络模型在进行训练时，训练用的目标检测样本的标签向量，即标签平滑处理之后的类别标签，各向量值的总和等于1，会更利于目标检测神经网络模型进行计算，因此，可以将标签平滑处理之后的类别标签进行归一化调整，获得调整后的类别标签。
在实际使用中，可以通过归一化公式对所述目标框的类别标签进行归一化调整，获得调整后的类别标签；
归一化公式为：
Figure BDA0002777870680000101
式中，xi为类别标签中第i个权重值，
Figure BDA0002777870680000102
为调整后的类别标签中第i个权重值，
Figure BDA0002777870680000103
为类别标签中各个权重值的总和。
例如：标签平滑后的类别标签为[4，8，8]，则类别标签的各个权重值的总和为4+8+8＝20，根据归一化公式进行计算，得到的调整后的类别标签为[0.2，0.4，0.4]。
本实施例通过获取目标检测样本中目标框与目标交叠框的交集面积及并集面积；根据交集面积与所述并集面积确定交并比，根据交集面积与目标框的面积确定第一交积比，并根据交集面积与目标交叠框的面积确定第二交积比；根据交并比、第一交积比及第二交积比调整目标框的类别标签，以使类别标签平滑；由于是通过目标交叠框与目标框的各项比值调整类别标签，将调整后的类别标签作为目标检测样本的标签向量，可以正确反映目标检测样本中不同对象类别间的定量关系，且标签平滑计算过程并不复杂，计算时间短，可以满足工业场景中实时检测对计算时间的要求。
参考图3，图3为本发明一种用于目标检测的标签平滑方法第二实施例的流程示意图。
基于上述第一实施例，本实施例用于目标检测的标签平滑方法的步骤S30，具体包括：
步骤S301：根据所述交并比确定各个对象类别对应的对象交并比，根据所述第一交积比确定对象类别对应的第一对象交积比，并根据所述第二交积比确定各个对象类别对应的第二对象交积比；
需要说明的是，目标交叠框可以为多个，则此时标签平滑的计算流程与目标交叠框为一个时处理流程并不相同，对象交并比为对象类型对应的各个目标交叠框的交并比之和，第一对象交积比为对象类型对应的各个目标交叠框的第一交积比之和，第二对象交积比为对象类型对应的各个目标交叠框的第二交积比之和。
进一步地，为了便于计算对象交并比、第一对象交积比及第二对象交积比，本实施例根据所述交并比确定各个对象类别对应的对象交并比，根据所述第一交积比确定对象类别对应的第一对象交积比，并根据所述第二交积比确定各个对象类别对应的第二对象交积比的步骤，可以为：
将所述目标交叠框根据对象类别进行分组，获得各个对象类别对应的目标交叠框子集；根据所述目标交叠框子集中各个目标交叠框对应的交并比确定对应的对象交并比，根据所述目标交叠框子集中各个目标交叠框对应的第一交积比确定对应的第一对象交积比，并根据所述目标交叠框子集中各个目标交叠框对应的第二交积比确定对应的第二对象交积比。
需要说明的是，每个目标交叠框都对应一个对象类别，因此，可以根据对象类别对目标交叠框进行分组，得到对象类别对应的目标交叠框子集。例如：目标交叠框总共有A、B、C、D、E、F六个，对应的对象类别分别为ID1，ID1，ID2，ID2，ID3，ID3则在根据对象类别对目标交叠框进行分组之后，可以获得List1＝{A，B}、List2＝{C，D}、List3＝{E，F}三个目标交叠框子集，目标交叠框子集List1对应的对象类别为ID1，目标交叠框子集List2对应的对象类别为ID2，目标交叠框子集List3对应的对象类别为ID3。
在实际使用中，可以对所述目标交叠框子集中各个目标交叠框对应的交并比进行求和，获得对应的对象交并比；对所述目标交叠框子集中各个目标交叠框对应的第一交积比进行求和，获得对应的第一对象交积比；对所述目标交叠框子集中各个目标交叠框对应的第二交积比进行求和，获得对应的第二对象交积比。
例如：对象类别ID对应的目标交叠框子集List＝{A，B}，目标交叠框A对应的交并比、第一交积比、第二交积比分别为0.1、0.2、0.2，目标交叠框B对应的交并比、第一交积比、第二交积比分别为0.1、0.125、0.5，则可以计算得到对象类别ID对应的对象交并比、第一对象交积比、第二对象交积比分别为0.1+0.1＝0.2、0.2+0.125＝0.325、0.2+0.5＝0.7。
步骤S302：根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑。
在具体使用中，可以根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比通过类别标签权重调整公式对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑；
所述类别标签权重调整公式为：
Figure BDA0002777870680000121
式中，label(A)j为目标框A的类别标签，ID(A)为目标框A的对象类别，ID(A')为目标交叠框的对象类别，others为其他对象类别，α、β为调节参数，0≤α≤1，0≤β≤1，为
Figure BDA0002777870680000122
第i个对象类别对应的对象交并比，
Figure BDA0002777870680000123
为第i个对象类别对应的第一对象交积比，
Figure BDA0002777870680000124
为第i个对象类别对应的第二对象交积比。
例如：设定调节参数α＝0.7，β＝0.4，目标框A的类别标签初始为[1，0]，对应的对象类别为目标框的对象类别ID(A)及其他对象类别，与目标框相交叠的目标交叠框对应的对象类别总共有ID(A1)及ID(A2)两种，对象类别ID(A1)对应的对象交并比、第一对象交积比、第二对象交积比分别为0.2、0.325、0.7，对象类别ID(A2)对应的对象交并比、第一对象交积比、第二对象交积比分别为0.2、0.4、0.4，代入类别标签权重调整公式进行计算，得到目标框A的类别标签label(A)j＝[1.1015，0.056，0.032，0]，对应的对象类别分别为目标框的对象类别ID(A)、对象类别ID(A1)、对象类别ID(A2)及其他对象类别。
本实施例通过根据所述交并比确定各个对象类别对应的对象交并比，根据所述第一交积比确定对象类别对应的第一对象交积比，并根据所述第二交积比确定各个对象类别对应的第二对象交积比；根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑；使得在目标交叠框有多个时，可以正常进行计算并调整目标框的类别标签，以使类别标签平滑。。
参考图4，图4为本发明一种用于目标检测的标签平滑方法第三实施例的流程示意图。
基于上述第一实施例，本实施例用于目标检测的标签平滑方法在所述步骤S10之前，还包括：
步骤S01：获取目标检测样本中与目标框交叠的交叠框的对象类别；
可以理解的是，与目标框交叠的各个交叠框均有对应的对象类别。
步骤S02：将所述对象类别与所述目标框的对象类别进行比较；
可以理解的是，目标框有对应的对象类别。
步骤S03：在所述对象类别与所述目标框的对象类别不同时，将所述交叠框作为目标交叠框。
需要说明的是，当目标框的对象类别与交叠框的对象类别相同时，没有分析的必要，因此可以直接进行排除，当目标框的对象类别与交叠框的对象类别不同时，可以将交叠框作为目标交叠框，并计算对应的交并比、第一交积比、第二交积比，根据交并比、第一交积比、第二交积比可以对目标检测样本的进行调整，以使得类别标签平滑。
本实施例通过获取目标检测样本中与目标框交叠的交叠框的对象类别，将所述对象类别与所述目标框的对象类别进行比较，在所述对象类别与所述目标框的对象类别不同时，将所述交叠框作为目标交叠框，可以有效排除不必进行计算的交叠框，节省了计算资源，提高了标签平滑处理的速度。
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有用于目标检测的标签平滑程序，所述用于目标检测的标签平滑程序被处理器执行时实现如上文所述的用于目标检测的标签平滑方法的步骤。
参照图5，图5为本发明用于目标检测的标签平滑装置第一实施例的结构框图。
如图5所示，本发明实施例提出的用于目标检测的标签平滑装置包括：
面积获取模块501，用于获取目标检测样本中目标框与目标交叠框的交集面积及并集面积；
比值确定模块502，用于根据所述交集面积与所述并集面积确定交并比，根据所述交集面积与所述目标框的面积确定第一交积比，并根据所述交集面积与所述目标交叠框的面积确定第二交积比；
标签调整模块503，用于根据所述交并比、所述第一交积比及所述第二交积比调整所述目标框的类别标签，以使所述类别标签平滑；
向量确定模块504，用于将调整后的类别标签作为所述目标检测样本的标签向量。
本实施例通过获取目标检测样本中目标框与目标交叠框的交集面积及并集面积；根据交集面积与所述并集面积确定交并比，根据交集面积与目标框的面积确定第一交积比，并根据交集面积与目标交叠框的面积确定第二交积比；根据交并比、第一交积比及第二交积比调整目标框的类别标签，以使类别标签平滑；由于是通过目标交叠框与目标框的各项比值调整类别标签，将调整后的类别标签作为目标检测样本的标签向量，可以正确反映目标检测样本中不同对象类别间的定量关系，且标签平滑计算过程并不复杂，计算时间短，可以满足工业场景中实时检测对计算时间的要求。
进一步地，所述标签调整模块503，还用于根据所述交并比确定各个对象类别对应的对象交并比，根据所述第一交积比确定对象类别对应的第一对象交积比，并根据所述第二交积比确定各个对象类别对应的第二对象交积比；根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑。
进一步地，所述标签调整模块503，还用于将所述目标交叠框根据对象类别进行分组，获得各个对象类别对应的目标交叠框子集；根据所述目标交叠框子集中各个目标交叠框对应的交并比确定对应的对象交并比，根据所述目标交叠框子集中各个目标交叠框对应的第一交积比确定对应的第一对象交积比，并根据所述目标交叠框子集中各个目标交叠框对应的第二交积比确定对应的第二对象交积比。
进一步地，所述标签调整模块503，还用于对所述目标交叠框子集中各个目标交叠框对应的交并比进行求和，获得对应的对象交并比；对所述目标交叠框子集中各个目标交叠框对应的第一交积比进行求和，获得对应的第一对象交积比；对所述目标交叠框子集中各个目标交叠框对应的第二交积比进行求和，获得对应的第二对象交积比。
进一步地，所述标签调整模块503，还用于根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比通过类别标签权重调整公式对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑；
所述类别标签权重调整公式为：
Figure BDA0002777870680000151
式中，label(A)j为目标框A的类别标签，ID(A)为目标框A的对象类别，ID(A')为目标交叠框的对象类别，others为其他对象类别，α、β为调节参数，0≤α≤1，0≤β≤1，为
Figure BDA0002777870680000158
第i个对象类别对应的对象交并比，
Figure BDA0002777870680000152
为第i个对象类别对应的第一对象交积比，
Figure BDA0002777870680000153
为第i个对象类别对应的第二对象交积比。
进一步地，所述向量确定模块504，还用于对所述目标框的类别标签进行归一化调整，获得调整后的类别标签。
进一步地，所述向量确定模块504，还用于通过归一化公式对所述目标框的类别标签进行归一化调整，获得调整后的类别标签；
所述归一化公式为：
Figure BDA0002777870680000154
式中，xi为类别标签中第i个权重值，
Figure BDA0002777870680000155
为调整后的类别标签中第i个权重值，
Figure BDA0002777870680000156
为类别标签中各个权重值的总和。
进一步地，所述标签调整模块503，还用于根据所述交并比、所述第一交积比及所述第二交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑。
进一步地，所述标签调整模块503，还用于根据所述交并比、所述第一交积比及所述第二交积比通过类别标签权重调整公式对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑；
所述类别标签权重调整公式为：
Figure BDA0002777870680000157
式中，label(A)j为目标框的类别标签，ID(A)为目标框的对象类别，ID(A')为目标交叠框的对象类别，others为其他对象类别，α、β为调节参数，0≤α≤1，0≤β≤1，IOUA'为所述交并比，IOS1 A'为所述第一交积比，IOS2 A'为所述第二交积比。
进一步地，所述比值确定模块502，还用于计算所述交集面积与所述并集面积的比值，获得交并比；计算所述交集面积与所述目标框的面积的比值，获得第一交积比；计算所述交集面积与所述目标交叠框的面积的比值，获得第二交积比。
进一步地，所述面积获取模块501，还用于获取目标检测样本中与目标框交叠的交叠框的对象类别；将所述对象类别与所述目标框的对象类别进行比较；在所述对象类别与所述目标框的对象类别不同时，将所述交叠框作为目标交叠框。
应当理解的是，以上仅为举例说明，对本发明的技术方案并不构成任何限定，在具体应用中，本领域的技术人员可以根据需要进行设置，本发明对此不做限制。
需要说明的是，以上所描述的工作流程仅仅是示意性的，并不对本发明的保护范围构成限定，在实际应用中，本领域的技术人员可以根据实际的需要选择其中的部分或者全部来实现本实施例方案的目的，此处不做限制。
另外，未在本实施例中详尽描述的技术细节，可参见本发明任意实施例所提供的用于目标检测的标签平滑方法，此处不再赘述。
此外，需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质(如只读存储器(Read Only Memory，ROM)/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
本发明公开了A1、一种用于目标检测的标签平滑方法，所述用于目标检测的标签平滑方法包括以下步骤：
获取目标检测样本中目标框与目标交叠框的交集面积及并集面积；
根据所述交集面积与所述并集面积确定交并比，根据所述交集面积与所述目标框的面积确定第一交积比，并根据所述交集面积与所述目标交叠框的面积确定第二交积比；
根据所述交并比、所述第一交积比及所述第二交积比调整所述目标框的类别标签，以使所述类别标签平滑；
将调整后的类别标签作为所述目标检测样本的标签向量。
A2、如A1所述的用于目标检测的标签平滑方法，所述目标交叠框有多个；
所述根据所述交并比、所述第一交积比及所述第二交积比调整所述目标框的类别标签，以使所述类别标签平滑的步骤，包括：
根据所述交并比确定各个对象类别对应的对象交并比，根据所述第一交积比确定对象类别对应的第一对象交积比，并根据所述第二交积比确定各个对象类别对应的第二对象交积比；
根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑。
A3、如A2所述的用于目标检测的标签平滑方法，所述根据所述交并比确定各个对象类别对应的对象交并比，根据所述第一交积比确定对象类别对应的第一对象交积比，并根据所述第二交积比确定各个对象类别对应的第二对象交积比的步骤，包括：
将所述目标交叠框根据对象类别进行分组，获得各个对象类别对应的目标交叠框子集；
根据所述目标交叠框子集中各个目标交叠框对应的交并比确定对应的对象交并比，根据所述目标交叠框子集中各个目标交叠框对应的第一交积比确定对应的第一对象交积比，并根据所述目标交叠框子集中各个目标交叠框对应的第二交积比确定对应的第二对象交积比。
A4、如A3所述的用于目标检测的标签平滑方法，所述根据所述目标交叠框子集中各个目标交叠框对应的交并比确定对应的对象交并比，根据所述目标交叠框子集中各个目标交叠框对应的第一交积比确定对应的第一对象交积比，并根据所述目标交叠框子集中各个目标交叠框对应的第二交积比确定对应的第二对象交积比的步骤，包括：
对所述目标交叠框子集中各个目标交叠框对应的交并比进行求和，获得对应的对象交并比；
对所述目标交叠框子集中各个目标交叠框对应的第一交积比进行求和，获得对应的第一对象交积比；
对所述目标交叠框子集中各个目标交叠框对应的第二交积比进行求和，获得对应的第二对象交积比。
A5、如A2所述的用于目标检测的标签平滑方法，所述根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑的步骤，包括：
根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比通过类别标签权重调整公式对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑；
所述类别标签权重调整公式为：
Figure BDA0002777870680000181
式中，label(A)j为目标框A的类别标签，ID(A)为目标框A的对象类别，ID(A')为目标交叠框的对象类别，others为其他对象类别，α、β为调节参数，0≤α≤1，0≤β≤1，为
Figure BDA0002777870680000184
第i个对象类别对应的对象交并比，
Figure BDA0002777870680000183
为第i个对象类别对应的第一对象交积比，
Figure BDA0002777870680000182
为第i个对象类别对应的第二对象交积比。
A6、如A1所述的用于目标检测的标签平滑方法，所述将调整后的类别标签作为所述目标检测样本的标签向量的步骤之前，还包括：
对所述目标框的类别标签进行归一化调整，获得调整后的类别标签。
A7、如A6所述的用于目标检测的标签平滑方法，所述对所述目标框的类别标签进行归一化调整，获得调整后的类别标签的步骤，包括：
通过归一化公式对所述目标框的类别标签进行归一化调整，获得调整后的类别标签；
所述归一化公式为：
Figure BDA0002777870680000191
式中，xi为类别标签中第i个权重值，
Figure BDA0002777870680000194
为调整后的类别标签中第i个权重值，
Figure BDA0002777870680000192
为类别标签中各个权重值的总和。
A8、如A1所述的用于目标检测的标签平滑方法，所述根据所述交并比、所述第一交积比及所述第二交积比调整所述目标框的类别标签，以使所述类别标签平滑的步骤，包括：
根据所述交并比、所述第一交积比及所述第二交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑。
A9、如A8所述的用于目标检测的标签平滑方法，所述根据所述交并比、所述第一交积比及所述第二交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑的步骤，包括：
根据所述交并比、所述第一交积比及所述第二交积比通过类别标签权重调整公式对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑；
所述类别标签权重调整公式为：
Figure BDA0002777870680000193
式中，label(A)j为目标框的类别标签，ID(A)为目标框的对象类别，ID(A')为目标交叠框的对象类别，others为其他对象类别，α、β为调节参数，0≤α≤1，0≤β≤1，IOUA'为所述交并比，IOS1 A'为所述第一交积比，IOS2 A'为所述第二交积比。
A10、如A1所述的用于目标检测的标签平滑方法，所述根据所述交集面积与所述并集面积确定交并比，根据所述交集面积与所述目标框的面积确定第一交积比，并根据所述交集面积与所述目标交叠框的面积确定第二交积比的步骤，包括：
计算所述交集面积与所述并集面积的比值，获得交并比；
计算所述交集面积与所述目标框的面积的比值，获得第一交积比；
计算所述交集面积与所述目标交叠框的面积的比值，获得第二交积比。
A11、如A1所述的用于目标检测的标签平滑方法，所述获取目标检测样本中目标框与目标交叠框的交集面积及并集面积的步骤之前，还包括：
获取目标检测样本中与目标框交叠的交叠框的对象类别；
将所述对象类别与所述目标框的对象类别进行比较；
在所述对象类别与所述目标框的对象类别不同时，将所述交叠框作为目标交叠框。
本发明公开了B12、一种用于目标检测的标签平滑装置，所述用于目标检测的标签平滑装置包括：
面积获取模块，用于获取目标检测样本中目标框与目标交叠框的交集面积及并集面积；
比值确定模块，用于根据所述交集面积与所述并集面积确定交并比，根据所述交集面积与所述目标框的面积确定第一交积比，并根据所述交集面积与所述目标交叠框的面积确定第二交积比；
标签调整模块，用于根据所述交并比、所述第一交积比及所述第二交积比调整所述目标框的类别标签，以使所述类别标签平滑；
向量确定模块，用于将调整后的类别标签作为所述目标检测样本的标签向量。
B13、如B12所述的用于目标检测的标签平滑装置，所述标签调整模块，还用于根据所述交并比确定各个对象类别对应的对象交并比，根据所述第一交积比确定对象类别对应的第一对象交积比，并根据所述第二交积比确定各个对象类别对应的第二对象交积比；根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑。
B14、如B13所述的用于目标检测的标签平滑装置，所述标签调整模块，还用于将所述目标交叠框根据对象类别进行分组，获得各个对象类别对应的目标交叠框子集；根据所述目标交叠框子集中各个目标交叠框对应的交并比确定对应的对象交并比，根据所述目标交叠框子集中各个目标交叠框对应的第一交积比确定对应的第一对象交积比，并根据所述目标交叠框子集中各个目标交叠框对应的第二交积比确定对应的第二对象交积比。
B15、如B14所述的用于目标检测的标签平滑装置，所述标签调整模块，还用于对所述目标交叠框子集中各个目标交叠框对应的交并比进行求和，获得对应的对象交并比；对所述目标交叠框子集中各个目标交叠框对应的第一交积比进行求和，获得对应的第一对象交积比；对所述目标交叠框子集中各个目标交叠框对应的第二交积比进行求和，获得对应的第二对象交积比。
B16、如B12所述的用于目标检测的标签平滑装置，所述标签调整模块，还用于根据所述交并比、所述第一交积比及所述第二交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑。
B17、如B12所述的用于目标检测的标签平滑装置，所述比值确定模块，还用于计算所述交集面积与所述并集面积的比值，获得交并比；计算所述交集面积与所述目标框的面积的比值，获得第一交积比；计算所述交集面积与所述目标交叠框的面积的比值，获得第二交积比。
B18、如B12所述的用于目标检测的标签平滑装置，所述面积获取模块，还用于获取目标检测样本中与目标框交叠的交叠框的对象类别；将所述对象类别与所述目标框的对象类别进行比较；在所述对象类别与所述目标框的对象类别不同时，将所述交叠框作为目标交叠框。
本发明公开了C19、一种用于目标检测的标签平滑设备，所述用于目标检测的标签平滑设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用于目标检测的标签平滑程序，所述用于目标检测的标签平滑程序被所述处理器执行时实现如上所述的用于目标检测的标签平滑方法的步骤。
本发明公开了D20、一种计算机可读存储介质，所述计算机可读存储介质上存储有用于目标检测的标签平滑程序，所述用于目标检测的标签平滑程序执行时实现如上所述的用于目标检测的标签平滑方法的步骤。

Claims (10)

1.一种用于目标检测的标签平滑方法，其特征在于，所述用于目标检测的标签平滑方法包括以下步骤：
获取目标检测样本中目标框与目标交叠框的交集面积及并集面积；
根据所述交集面积与所述并集面积确定交并比，根据所述交集面积与所述目标框的面积确定第一交积比，并根据所述交集面积与所述目标交叠框的面积确定第二交积比；
根据所述交并比、所述第一交积比及所述第二交积比调整所述目标框的类别标签，以使所述类别标签平滑；
将调整后的类别标签作为所述目标检测样本的标签向量。
2.如权利要求1所述的用于目标检测的标签平滑方法，其特征在于，所述目标交叠框有多个；
所述根据所述交并比、所述第一交积比及所述第二交积比调整所述目标框的类别标签，以使所述类别标签平滑的步骤，包括：
根据所述交并比确定各个对象类别对应的对象交并比，根据所述第一交积比确定对象类别对应的第一对象交积比，并根据所述第二交积比确定各个对象类别对应的第二对象交积比；
根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑。
3.如权利要求2所述的用于目标检测的标签平滑方法，其特征在于，所述根据所述交并比确定各个对象类别对应的对象交并比，根据所述第一交积比确定对象类别对应的第一对象交积比，并根据所述第二交积比确定各个对象类别对应的第二对象交积比的步骤，包括：
将所述目标交叠框根据对象类别进行分组，获得各个对象类别对应的目标交叠框子集；
根据所述目标交叠框子集中各个目标交叠框对应的交并比确定对应的对象交并比，根据所述目标交叠框子集中各个目标交叠框对应的第一交积比确定对应的第一对象交积比，并根据所述目标交叠框子集中各个目标交叠框对应的第二交积比确定对应的第二对象交积比。
4.如权利要求3所述的用于目标检测的标签平滑方法，其特征在于，所述根据所述目标交叠框子集中各个目标交叠框对应的交并比确定对应的对象交并比，根据所述目标交叠框子集中各个目标交叠框对应的第一交积比确定对应的第一对象交积比，并根据所述目标交叠框子集中各个目标交叠框对应的第二交积比确定对应的第二对象交积比的步骤，包括：
对所述目标交叠框子集中各个目标交叠框对应的交并比进行求和，获得对应的对象交并比；
对所述目标交叠框子集中各个目标交叠框对应的第一交积比进行求和，获得对应的第一对象交积比；
对所述目标交叠框子集中各个目标交叠框对应的第二交积比进行求和，获得对应的第二对象交积比。
5.如权利要求2所述的用于目标检测的标签平滑方法，其特征在于，所述根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑的步骤，包括：
根据各个对象类别对应的对象交并比、第一对象交积比及第二对象交积比通过类别标签权重调整公式对所述目标框的类别标签进行类别权重调整，以使所述类别标签平滑；
所述类别标签权重调整公式为：
Figure FDA0002777870670000021
式中，label(A)j为目标框A的类别标签，ID(A)为目标框A的对象类别，ID(A')为目标交叠框的对象类别，others为其他对象类别，α、β为调节参数，0≤α≤1，0≤β≤1，为
Figure FDA0002777870670000022
第i个对象类别对应的对象交并比，
Figure FDA0002777870670000023
为第i个对象类别对应的第一对象交积比，
Figure FDA0002777870670000024
为第i个对象类别对应的第二对象交积比。
6.如权利要求1所述的用于目标检测的标签平滑方法，其特征在于，所述将调整后的类别标签作为所述目标检测样本的标签向量的步骤之前，还包括：
对所述目标框的类别标签进行归一化调整，获得调整后的类别标签。
7.如权利要求6所述的用于目标检测的标签平滑方法，其特征在于，所述对所述目标框的类别标签进行归一化调整，获得调整后的类别标签的步骤，包括：
通过归一化公式对所述目标框的类别标签进行归一化调整，获得调整后的类别标签；
所述归一化公式为：
Figure FDA0002777870670000031
式中，xi为类别标签中第i个权重值，
Figure FDA0002777870670000032
为调整后的类别标签中第i个权重值，
Figure FDA0002777870670000033
为类别标签中各个权重值的总和。
8.一种用于目标检测的标签平滑装置，其特征在于，所述用于目标检测的标签平滑装置包括：
面积获取模块，用于获取目标检测样本中目标框与目标交叠框的交集面积及并集面积；
比值确定模块，用于根据所述交集面积与所述并集面积确定交并比，根据所述交集面积与所述目标框的面积确定第一交积比，并根据所述交集面积与所述目标交叠框的面积确定第二交积比；
标签调整模块，用于根据所述交并比、所述第一交积比及所述第二交积比调整所述目标框的类别标签，以使所述类别标签平滑；
向量确定模块，用于将调整后的类别标签作为所述目标检测样本的标签向量。
9.一种用于目标检测的标签平滑设备，其特征在于，所述用于目标检测的标签平滑设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的用于目标检测的标签平滑程序，所述用于目标检测的标签平滑程序被所述处理器执行时实现如权利要求1-7中任一项所述的用于目标检测的标签平滑方法的步骤。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有用于目标检测的标签平滑程序，所述用于目标检测的标签平滑程序执行时实现如权利要求1-7中任一项所述的用于目标检测的标签平滑方法的步骤。
CN202011275128.0A 2020-11-13 2020-11-13 用于目标检测的标签平滑方法、装置、设备及存储介质 Active CN112418283B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011275128.0A CN112418283B (zh) 2020-11-13 2020-11-13 用于目标检测的标签平滑方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011275128.0A CN112418283B (zh) 2020-11-13 2020-11-13 用于目标检测的标签平滑方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN112418283A true CN112418283A (zh) 2021-02-26
CN112418283B CN112418283B (zh) 2023-07-11

Family

ID=74831138

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011275128.0A Active CN112418283B (zh) 2020-11-13 2020-11-13 用于目标检测的标签平滑方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN112418283B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109784293A (zh) * 2019-01-24 2019-05-21 苏州科达科技股份有限公司 多类目标对象检测方法、装置、电子设备、存储介质
CN110428007A (zh) * 2019-08-01 2019-11-08 科大讯飞(苏州)科技有限公司 X光图像目标检测方法、装置及设备
CN110826572A (zh) * 2018-08-09 2020-02-21 京东方科技集团股份有限公司 多目标检测的非极大值抑制方法、装置及设备
US20200126236A1 (en) * 2018-10-22 2020-04-23 The Board Of Trustees Of The Leland Stanford Junior University Systems and Methods for Image Segmentation using IOU Loss Functions
CN111310826A (zh) * 2020-02-13 2020-06-19 南京旷云科技有限公司 样本集的标注异常检测方法、装置及电子设备
CN111488945A (zh) * 2020-04-17 2020-08-04 上海眼控科技股份有限公司 图像处理方法、装置、计算机设备和计算机可读存储介质
CN111784595A (zh) * 2020-06-10 2020-10-16 北京科技大学 一种基于历史记录的动态标签平滑加权损失方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110826572A (zh) * 2018-08-09 2020-02-21 京东方科技集团股份有限公司 多目标检测的非极大值抑制方法、装置及设备
US20200126236A1 (en) * 2018-10-22 2020-04-23 The Board Of Trustees Of The Leland Stanford Junior University Systems and Methods for Image Segmentation using IOU Loss Functions
CN109784293A (zh) * 2019-01-24 2019-05-21 苏州科达科技股份有限公司 多类目标对象检测方法、装置、电子设备、存储介质
CN110428007A (zh) * 2019-08-01 2019-11-08 科大讯飞(苏州)科技有限公司 X光图像目标检测方法、装置及设备
CN111310826A (zh) * 2020-02-13 2020-06-19 南京旷云科技有限公司 样本集的标注异常检测方法、装置及电子设备
CN111488945A (zh) * 2020-04-17 2020-08-04 上海眼控科技股份有限公司 图像处理方法、装置、计算机设备和计算机可读存储介质
CN111784595A (zh) * 2020-06-10 2020-10-16 北京科技大学 一种基于历史记录的动态标签平滑加权损失方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄健等: "深度卷积神经网络的目标检测算法综述", 《计算机工程与应用》 *

Also Published As

Publication number Publication date
CN112418283B (zh) 2023-07-11

Similar Documents

Publication Publication Date Title
CN111950638B (zh) 基于模型蒸馏的图像分类方法、装置和电子设备
CN111325353A (zh) 训练数据集的贡献度计算方法、装置、设备及存储介质
CN110033026B (zh) 一种连续小样本图像的目标检测方法、装置及设备
CN108269254A (zh) 图像质量评估方法和装置
JP2022512065A (ja) 画像分類モデルの訓練方法、画像処理方法及び装置
CN109711508B (zh) 图像处理方法和装置
CN110264274B (zh) 客群划分方法、模型生成方法、装置、设备及存储介质
CN110929836B (zh) 神经网络训练及图像处理方法和装置、电子设备、介质
CN113128419A (zh) 一种障碍物识别方法和装置、电子设备及存储介质
CN113407854A (zh) 一种应用推荐方法、装置、设备及计算机可读存储介质
CN114419378B (zh) 图像分类的方法、装置、电子设备及介质
CN113222043A (zh) 一种图像分类方法、装置、设备及存储介质
CN112418283A (zh) 用于目标检测的标签平滑方法、装置、设备及存储介质
CN112183946A (zh) 多媒体内容评估方法、装置及其训练方法
CN111476144A (zh) 行人属性识别模型确定方法、装置及计算机可读存储介质
CN115439734A (zh) 质量评估模型训练方法、装置、电子设备及存储介质
CN112434722B (zh) 基于类别相似度的标签平滑计算的方法、装置、电子设备及介质
WO2022126917A1 (zh) 基于深度学习的人脸图像评估方法、装置、设备及介质
CN114821173A (zh) 图像分类方法、装置、设备及存储介质
CN114399497A (zh) 文本图像质量检测方法、装置、计算机设备及存储介质
CN113641767A (zh) 实体关系抽取方法、装置、设备及存储介质
CN113191227A (zh) 柜门状态的检测方法、装置、设备及存储介质
CN113283388A (zh) 活体人脸检测模型的训练方法、装置、设备及存储介质
CN113077464A (zh) 一种医学图像处理方法、医学图像识别方法及装置
CN114821203B (zh) 基于一致性损失的细粒度图像模型训练及识别方法和装置

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant