CN114330573A - 一种目标检测方法、装置、电子设备及存储介质 - Google Patents
一种目标检测方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN114330573A CN114330573A CN202111666389.XA CN202111666389A CN114330573A CN 114330573 A CN114330573 A CN 114330573A CN 202111666389 A CN202111666389 A CN 202111666389A CN 114330573 A CN114330573 A CN 114330573A
- Authority
- CN
- China
- Prior art keywords
- target detection
- class
- weight
- category
- loss
- 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.)
- Pending
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 139
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000010586 diagram Methods 0.000 claims abstract description 15
- 230000006870 function Effects 0.000 claims description 52
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 description 28
- 230000008569 process Effects 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本申请公开了一种目标检测方法，所述方法包括：将当前批次样本输入目标检测模型得到特征图；其中，所述当前批次样本中包括多个类别的训练样本；根据所述特征图确定每一类别的样本梯度信息，根据所述样本梯度信息设置每一类别的损失权重；根据所述损失权重对所述目标检测模型的损失函数进行修正，并利用修正后的损失函数对所述目标检测模型进行参数调整，以便得到训练后的目标检测模型；利用所述训练后的目标检测模型对未知信息执行目标检测操作。本申请能够避免长尾分布对目标检测模型的影响，提高目标检测准确率。本申请还公开了一种目标检测装置、一种存储介质及一种电子设备，具有以上有益效果。
Description
技术领域
本申请涉及图像处理技术领域，特别涉及一种目标检测方法、装置、电子设备及存储介质。
背景技术
基于深度学目标检测算法中，常常会遇到Long-Tail长尾分布问题。在检测多个类别时，由于各类别素材获取的难易程度不同，导致头部素材是尾部素材的几十倍、甚至上百倍。在模型训练时，素材多的类别会明显抑制素材少的类别的学习效果，造成尾部检测能力大幅下降。
因此，如何避免长尾分布对目标检测模型的影响，提高目标检测准确率是本领域技术人员目前需要解决的技术问题。
发明内容
本申请的目的是提供一种目标检测方法、装置、电子设备及存储介质，能够避免长尾分布对目标检测模型的影响，提高目标检测准确率。
为解决上述技术问题，本申请提供一种目标检测方法，该目标检测方法包括：
将当前批次样本输入目标检测模型得到特征图；其中，所述当前批次样本中包括多个类别的训练样本；
根据所述特征图确定每一类别的样本梯度信息，根据所述样本梯度信息设置每一类别的损失权重；
根据所述损失权重对所述目标检测模型的损失函数进行修正，并利用修正后的损失函数对所述目标检测模型进行参数调整，以便得到训练后的目标检测模型；
利用所述训练后的目标检测模型对未知信息执行目标检测操作。
可选的，根据所述特征图确定每一类别的样本梯度信息，包括：
根据所述特征图确定每一类别的正样本对应预测点产生的正样本梯度；
根据所述特征图确定每一类别的负样本对应预测点产生的负样本梯度；
其中，所述样本梯度信息包括所述正样本梯度和所述负样本梯度。
可选的，根据所述样本梯度信息设置每一类别的损失权重，包括：
将所述特征图中所述正样本梯度大于梯度阈值的预测点设置为第一待优化预测点；
将所述特征图中所述负样本梯度大于所述梯度阈值的预测点设置为第二待优化预测点；
选取目标类别，并计算所述目标类别的第一比例和第二比例；其中，所述第一比例为所述目标类别的第一待优化预测点数量与所述目标类别对应的预测点数量的比值；所述第二类别为所述目标类别的第二待优化预测点数量与目标数的比值，所述目标数为所有所述当前批次样本对应的预测点数量与所述目标类别对应的预测点数量的差；
判断是否得到所有类别的第一比例和第二比例；
若是，则根据所有类别第一比例和第二比例计算每一类别的类别权重，并通过类别均衡算法对所述类别权重进行计算得到每一类别的损失权重；
若否，则进入所述选取目标类别的步骤。
可选的，根据所有类别第一比例和第二比例计算每一类别的类别权重，包括：
将所述第一比例中的最大值与每一类别的第一比例的比值设置为相应类别的第一类别权重；
将所述第二比例中的最大值与每一类别的第二比例的比值设置为相应类别的第二类别权重。
可选的，所述通过类别均衡算法对所述类别权重进行计算得到每一类别的损失权重，包括：
通过类别均衡算法对所述第一类别权重进行计算得到第一计算结果，将所述第一计算结果与相应类别的样本总数相乘，得到每一类别的正样本损失权重；
通过类别均衡算法对所述第二类别权重进行计算得到第二计算结果，将所述第二计算结果与相应类别的样本总数相乘，得到每一类别的负样本损失权重。
可选的，根据所述损失权重对所述目标检测模型的损失函数进行修正，包括：
获取所述目标检测模型的损失函数loss；
利用所述正样本损失权重Q(pos)和所述负样本损失权重Q(neg)修正所述损失函数loss；
其中，修正前的损失函数为loss＝-(yilog(σ(x))+(1-yi)log(1-(σ(x)))，修正后的损失函数为loss＝-(Q(pos)yilog(σ(x))+Q(neg)(1-yi)log(1-(σ(x)))，yi为样本是否属于i类的标签，σ(x)为类别的预测分数。
可选的，在利用修正后的损失函数对所述目标检测模型进行参数调整之后，还包括：
判断所述目标检测模型是否迭代完毕；
若否，则从训练集中选取训练样本作为新的当前批次样本，并进入所述将当前批次样本输入目标检测模型得到特征图的步骤。
本申请还提供了一种目标检测装置，该装置包括：
样本输入模块，用于将当前批次样本输入目标检测模型得到特征图；其中，所述当前批次样本中包括多个类别的训练样本；
权重设置模块，用于根据所述特征图确定每一类别的样本梯度信息，根据所述样本梯度信息设置每一类别的损失权重；
损失函数调整模块，用于根据所述损失权重对所述目标检测模型的损失函数进行修正，并利用修正后的损失函数对所述目标检测模型进行参数调整，以便得到训练后的目标检测模型；
目标检测模块，用于利用所述训练后的目标检测模型对未知信息执行目标检测操作。
本申请还提供了一种存储介质，其上存储有计算机程序，所述计算机程序执行时实现上述目标检测方法执行的步骤。
本申请还提供了一种电子设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现上述目标检测方法执行的步骤。
本申请提供了一种目标检测方法，包括：将当前批次样本输入目标检测模型得到特征图；其中，所述当前批次样本中包括多个类别的训练样本；根据所述特征图确定每一类别的样本梯度信息，根据所述样本梯度信息设置每一类别的损失权重；根据所述损失权重对所述目标检测模型的损失函数进行修正，并利用修正后的损失函数对所述目标检测模型进行参数调整，以便得到训练后的目标检测模型；利用所述训练后的目标检测模型对未知信息执行目标检测操作。
本申请将当前批次样本输入目标检测模型得到特征图，根据特征图确定每一类别的样本梯度信息。样本梯度信息能够反映目标检测模型在本次迭代后的训练效果，进而基于样本梯度信息可以设置每一类别的损失权重。本申请利用损失权重对损失函数的参数进行调整，利用调整参数后的损失函数训练目标检测模型，本申请能够根据当前批次样本对目标检测模型的训练效果，基于训练效果调整损失函数，能够避免长尾分布对目标检测模型的影响，提高目标检测准确率。本申请同时还提供了一种目标检测装置、一种存储介质和一种电子设备，具有上述有益效果，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例，下面将对实施例中所需要使用的附图做简单的介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例所提供的一种目标检测方法的流程图；
图2为本申请实施例所提供的一种目标检测装置的结构示意图。
具体实施方式
为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
下面请参见图1，图1为本申请实施例所提供的一种目标检测方法的流程图。
具体步骤可以包括：
S101：将当前批次样本输入目标检测模型得到特征图；
其中，在本步骤之前可以存在构建训练集的操作，训练集中可以包括多个类类别的样本，如行人图像、汽车图像、摩托车图像等。本实施例可以对原始的目标检测模型进行迭代训练，每一次迭代都从训练集中读取部分样本进行训练，上述读取的样本为本实施例中的当前批次样本，当前批次样本中包括多个类别的训练样本。目标检测模型可以为基于深度学习算法的目标检测模型，在将当前批次样本输入目标检测模型，目标检测模型可以输出相应的特征图。
S102：根据所述特征图确定每一类别的样本梯度信息，根据所述样本梯度信息设置每一类别的损失权重；
其中，特征图中可以包括多个预测点，每一类别的样本梯度信息包括正样本梯度和负样本梯度。对于目标检测模型的所有分类器来说，若某个样本的类别等于某个分类器的预测类别，则该样本对该分类器是正样本，该样本对其他所有分类器是负样本。正样本梯度为正样本对分类器输出x的梯度，负样本梯度为负样本对分类器输出x的梯度。具体的，本实施例可以根据所述特征图确定每一类别的正样本对应预测点产生的正样本梯度，还可以根据所述特征图确定每一类别的负样本对应预测点产生的负样本梯度。
样本梯度信息可以表示目标检测模型的训练效果，以Yolo系列算法为例说明上述结论的具体推导过程如下：
Yolo系列算法(如yolov5)在训练时，分类损失采用Binary Cross Entropy(二分类交叉熵)进行计算。当训练集中各类型的样本数量不均衡时，占比较少的样本类别的分类器总是以负样本对其训练，这就造成了单类别的样本不均衡现象，导致该分类器无法对正样本有效预测，以使尾部的检测效果明显差于头部检测。
在yolov5中，分类的训练分支Loss定义如下：
loss(cls)＝-(yilog(σ(x))+(1-yi)log(1-σ(x)))；
其中，x为神经网络的输出；σ(x)为Sigmoid函数，即：类别的预测分数，σ(x)的值域为[-1，1]，σ(x)公式定义为：
网络优化与梯度、学习率有关，因此计算分类损失对网络预测分数的梯度，得到以下公式：
σ′(x)＝σ(x)(1-σ(x))；
以上公式中，yi为该样本的是否属于i类的标签。
是正样本产生的梯度，即正样本梯度；
负样本产生的梯度，即负样本梯度。分析上述公式，可得到以下结论：对于正样本，若预测的置信度越低，说明模型对正样本的预测效果越差，产生的梯度越大；对于负样本，若预测的置信度越高，说明模型对负样本的预测效果越差，产生的梯度越大。
在得到样本梯度信息的基础上，可以根据样本梯度信息确定目标检测模型对各类型的样本的预测效果，本申请可以根据预测效果设置每一类别的损失权重，进而避免出现长尾分布问题。
S103：根据损失权重对目标检测模型的损失函数进行修正，并利用修正后的损失函数对目标检测模型进行参数调整，以便得到训练后的目标检测模型；
其中，在本步骤之前可以存在获取目标检测模型的损失函数的操作，可以根据损失权重对目标检测模型的损失函数进行修正，利用修正后的损失函数对目标检测模型进行参数调整，以便得到训练后的目标检测模型。在本步骤之后，还可以判断所述目标检测模型是否迭代完毕；若迭代完毕，则可以进入S104的步骤；若未迭代完毕，则从训练集中选取训练样本作为新的当前批次样本，并进入所述将当前批次样本输入目标检测模型得到特征图的步骤，以便再次执行S101～S103的相关操作。
S104：利用训练后的目标检测模型对未知信息执行目标检测操作。
其中，在本步骤之前可以接收目标检测任务，根据目标检测任务确定对应的位置信息，进而利用训练后的目标检测模型对未知信息执行目标检测操作。
本实施例将当前批次样本输入目标检测模型得到特征图，根据特征图确定每一类别的样本梯度信息。样本梯度信息能够反映目标检测模型在本次迭代后的训练效果，进而基于样本梯度信息可以设置每一类别的损失权重。本实施例利用损失权重对损失函数的参数进行调整，利用调整参数后的损失函数训练目标检测模型，本实施例能够根据当前批次样本对目标检测模型的训练效果，基于训练效果调整损失函数，能够避免长尾分布对目标检测模型的影响，提高目标检测准确率。
作为对于图1对应实施例的进一步介绍，本实施例通过以下方式设置每一类别的损失权重：
步骤1：将所述特征图中所述正样本梯度大于梯度阈值的预测点设置为第一待优化预测点；
步骤2：将所述特征图中所述负样本梯度大于所述梯度阈值的预测点设置为第二待优化预测点；
步骤3：选取目标类别，并计算所述目标类别的第一比例和第二比例；其中，所述第一比例为所述目标类别的第一待优化预测点数量与所述目标类别对应的预测点数量的比值；所述第二类别为所述目标类别的第二待优化预测点数量与目标数的比值，所述目标数为所有所述当前批次样本对应的预测点数量与所述目标类别对应的预测点数量的差；
步骤4：判断是否得到所有类别的第一比例和第二比例；若是，则进入步骤5；若否，则进入步骤3；
步骤5：根据所有类别第一比例和第二比例计算每一类别的类别权重，并通过类别均衡算法(如softmax)对所述类别权重进行计算得到每一类别的损失权重。
具体的，在训练时可以预计算当前批次样本中各类别预测的效果。例如可以设定梯度阈值α＝0.1。对于正样本，若该预测点产生的正梯度
则判断该预测点为第一待优化预测点BPP(bad pos prediction)；对于负样本，若该预测点产生的负梯度
则判断该预测点为第二待优化预测点BNP(bad neg prediction)。通过对各个类别的正样本和负样本进行以上计算，可以得到各类别的第一待优化预测点BPP的数量
占c类样本预测点数量Nc的第一比例Ratec(BPP)，以及第二待优化预测点BNP的数量
占各个类别对应的总预测点数量N的第二比例Ratec(BNP)。
作为一种可行的实施方式，可以通过以下方式计算每一类别的类别权重：将所述第一比例中的最大值max(Ratec(BPP))与每一类别的第一比例的比值设置为相应类别的第一类别权重；将所述第二比例中的最大值max(Ratec(BNP))与每一类别的第二比例的比值设置为相应类别的第二类别权重。
具体的，可以将各类别预测效果差的比例联系起来，预测效果最差的类别权重设定为1，预测效果越好，第一类别权重Rate′c(BPP)、第二类别权重Rate′c(BNP)值越大，公式如下：
在得到第一类别权重和第二类别权重的基础上，可以通过以下方式计算损失权重：通过类别均衡算法对所述第一类别权重进行计算得到第一计算结果，将所述第一计算结果与相应类别的样本总数相乘，得到每一类别的正样本损失权重Q(pos)；通过类别均衡算法对所述第二类别权重进行计算得到第二计算结果，将所述第二计算结果与相应类别的样本总数相乘，得到每一类别的负样本损失权重Q(neg)。
通过上述方式，通过类别均衡算法修正后的各类别权重，Rate′c(BPP)和Rate′c(BNP)中类间比例差异大的，大大缩小其比例范围。因此，网络预测效果差的类别，即：Rate′c(BPP)和Rate′c(BNP)中较大的，会被分配较大的权重。本实施例通过类别均衡算法修正权重并乘以各类别的样本总数Nc，保证整体Loss与加权前保持一致，故无需配置额外的超参数。公式如下：
Q(pos)＝softmax(Rate′c(BPP))*Nc；
Q(neg)＝softmax(Rate′c(BNP))*Nc；
在当前批次样本的训练下，已经预先计算了各类别预测的效果，并据此修正了各类别的损失的权重。通过α阈值的过滤，引导网络将不再去关注训练效果已经较好的样本，这些样本也通常是头部样本，可以减缓了头部数据对尾部数据的抑制作用。本实施例可以通过以下方式显示基于梯度引导的softmax权重重新分配方案：
获取所述目标检测模型的损失函数loss；
利用所述正样本损失权重Q(pos)和所述负样本损失权重Q(neg)修正所述损失函数loss；
其中，修正前的损失函数为loss(cls)＝-(yilog(σ(x))+(1-yi)log(1-σ(x)))，修正后的损失函数为loss′(cls)＝-(Q(pos)yilog(σ(x))+Q(neg)(1-yi)log(1-σ(x)))，yi为样本是否属于i类的标签，σ(x)为类别的预测分数。
相关技术中解决长尾分布问题的常规方案为Re-sample和Re-weighting，但Re-sample通常需要对不同的数据集进行精细统计与划分，而Re-weighting对超参数设置敏感。本实施例提出了简单、通用的抑制长尾分布的方法Grad-Guided-Softmax。该方法不依赖与数据集、待检测的类别数，并且属于端到端的训练方法。本实施例基于yolov5目标检测算法，Grad-Guided-Softmax，可明显提升尾部类别的检测效果，同时不影响头部类别的检测效果。在实际应用中训练了一个5分类的检测模型分别为person、bike、trike、car、face。其中trike三轮车类别样本量较少，样本量最多的car是trike的40倍。在单纯使用yolov5训练，得到的trike类指标为49.1％。使用Grad-Guided-Softmax方法后，trike类指标提升至51.6％，其他四类指标基本一致。
本实施例在每个batch训练时，基于各类别产生的梯度评估出各类别的预测的效果，并基于softmax动态重分配各类别的损失权重，显著提升了小样本的训练效果。该实施例经测试通用性强，是一种端到端的训练方法，无须配置超参数。
请参见图2，图2为本申请实施例所提供的一种目标检测装置的结构示意图，该装置可以包括：
样本输入模块201，用于将当前批次样本输入目标检测模型得到特征图；其中，所述当前批次样本中包括多个类别的训练样本；
权重设置模块202，用于根据所述特征图确定每一类别的样本梯度信息，根据所述样本梯度信息设置每一类别的损失权重；
损失函数调整模块203，用于根据所述损失权重对所述目标检测模型的损失函数进行修正，并利用修正后的损失函数对所述目标检测模型进行参数调整，以便得到训练后的目标检测模型；
目标检测模块204，用于利用所述训练后的目标检测模型对未知信息执行目标检测操作。
本实施例将当前批次样本输入目标检测模型得到特征图，根据特征图确定每一类别的样本梯度信息。样本梯度信息能够反映目标检测模型在本次迭代后的训练效果，进而基于样本梯度信息可以设置每一类别的损失权重。本实施例利用损失权重对损失函数的参数进行调整，利用调整参数后的损失函数训练目标检测模型，本实施例能够根据当前批次样本对目标检测模型的训练效果，基于训练效果调整损失函数，能够避免长尾分布对目标检测模型的影响，提高目标检测准确率。
进一步的，权重设置模块202包括：
梯度计算单元，用于根据所述特征图确定每一类别的正样本对应预测点产生的正样本梯度；还用于根据所述特征图确定每一类别的负样本对应预测点产生的负样本梯度；其中，所述样本梯度信息包括所述正样本梯度和所述负样本梯度。
进一步的，权重设置模块202包括：
权重计算单元，用于将所述特征图中所述正样本梯度大于梯度阈值的预测点设置为第一待优化预测点；还用于将所述特征图中所述负样本梯度大于所述梯度阈值的预测点设置为第二待优化预测点；还用于选取目标类别，并计算所述目标类别的第一比例和第二比例；其中，所述第一比例为所述目标类别的第一待优化预测点数量与所述目标类别对应的预测点数量的比值；所述第二类别为所述目标类别的第二待优化预测点数量与目标数的比值，所述目标数为所有所述当前批次样本对应的预测点数量与所述目标类别对应的预测点数量的差；还用于判断是否得到所有类别的第一比例和第二比例；若是，则根据所有类别第一比例和第二比例计算每一类别的类别权重，并通过类别均衡算法对所述类别权重进行计算得到每一类别的损失权重；若否，则进入所述选取目标类别的步骤。
进一步的，权重计算单元根据所有类别第一比例和第二比例计算每一类别的类别权重的过程包括：将所述第一比例中的最大值与每一类别的第一比例的比值设置为相应类别的第一类别权重；将所述第二比例中的最大值与每一类别的第二比例的比值设置为相应类别的第二类别权重。
进一步的，权重计算单元通过类别均衡算法对所述类别权重进行计算得到每一类别的损失权重的过程包括：通过类别均衡算法对所述第一类别权重进行计算得到第一计算结果，将所述第一计算结果与相应类别的样本总数相乘，得到每一类别的正样本损失权重；通过类别均衡算法对所述第二类别权重进行计算得到第二计算结果，将所述第二计算结果与相应类别的样本总数相乘，得到每一类别的负样本损失权重。
进一步的，损失函数调整模块203用于获取目标检测模型的损失函数loss；还用于利用正样本损失权重Q(pos)和负样本损失权重Q(neg)修正所述损失函数loss；其中，修正前的损失函数为loss＝-(yilog(σ(x))+(1-yi)log(1-(σ(x)))，修正后的损失函数为loss＝-(Q(pos)yilog(σ(x))+Q(neg)(1-yi)log(1-(σ(x)))，yi为样本是否属于i类的标签，σ(x)为类别的预测分数。
进一步的，还包括：
迭代控制模块，用于在利用修正后的损失函数对所述目标检测模型进行参数调整之后，判断所述目标检测模型是否迭代完毕；若否，则从训练集中选取训练样本作为新的当前批次样本，并进入所述将当前批次样本输入目标检测模型得到特征图的步骤。
由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参见方法部分的实施例的描述，这里暂不赘述。
本申请还提供了一种存储介质，其上存有计算机程序，该计算机程序被执行时可以实现上述实施例所提供的步骤。该存储介质可以包括：U盘、移动硬盘、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
本申请还提供了一种电子设备，可以包括存储器和处理器，所述存储器中存有计算机程序，所述处理器调用所述存储器中的计算机程序时，可以实现上述实施例所提供的步骤。当然所述电子设备还可以包括各种网络接口，电源等组件。
说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以对本申请进行若干改进和修饰，这些改进和修饰也落入本申请权利要求的保护范围内。
还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物品或者设备不仅包括那些要素，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、物品或者设备所固有的要素。在没有更多限制的状况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
Claims (10)
1.一种目标检测方法，其特征在于，包括：
将当前批次样本输入目标检测模型得到特征图；其中，所述当前批次样本中包括多个类别的训练样本；
根据所述特征图确定每一类别的样本梯度信息，根据所述样本梯度信息设置每一类别的损失权重；
根据所述损失权重对所述目标检测模型的损失函数进行修正，并利用修正后的损失函数对所述目标检测模型进行参数调整，以便得到训练后的目标检测模型；
利用所述训练后的目标检测模型对未知信息执行目标检测操作。
2.根据权利要求1所述目标检测方法，其特征在于，根据所述特征图确定每一类别的样本梯度信息，包括：
根据所述特征图确定每一类别的正样本对应预测点产生的正样本梯度；
根据所述特征图确定每一类别的负样本对应预测点产生的负样本梯度；
其中，所述样本梯度信息包括所述正样本梯度和所述负样本梯度。
3.根据权利要求2所述目标检测方法，其特征在于，根据所述样本梯度信息设置每一类别的损失权重，包括：
将所述特征图中所述正样本梯度大于梯度阈值的预测点设置为第一待优化预测点；
将所述特征图中所述负样本梯度大于所述梯度阈值的预测点设置为第二待优化预测点；
选取目标类别，并计算所述目标类别的第一比例和第二比例；其中，所述第一比例为所述目标类别的第一待优化预测点数量与所述目标类别对应的预测点数量的比值；所述第二类别为所述目标类别的第二待优化预测点数量与目标数的比值，所述目标数为所有所述当前批次样本对应的预测点数量与所述目标类别对应的预测点数量的差；
判断是否得到所有类别的第一比例和第二比例；
若是，则根据所有类别第一比例和第二比例计算每一类别的类别权重，并通过类别均衡算法对所述类别权重进行计算得到每一类别的损失权重；
若否，则进入所述选取目标类别的步骤。
4.根据权利要求3所述目标检测方法，其特征在于，所述根据所有类别第一比例和第二比例计算每一类别的类别权重，包括：
将所述第一比例中的最大值与每一类别的第一比例的比值设置为相应类别的第一类别权重；
将所述第二比例中的最大值与每一类别的第二比例的比值设置为相应类别的第二类别权重。
5.根据权利要求4所述目标检测方法，其特征在于，所述通过类别均衡算法对所述类别权重进行计算得到每一类别的损失权重，包括：
通过所述类别均衡算法对所述第一类别权重进行计算得到第一计算结果，将所述第一计算结果与相应类别的样本总数相乘，得到每一类别的正样本损失权重；
通过所述类别均衡算法对所述第二类别权重进行计算得到第二计算结果，将所述第二计算结果与相应类别的样本总数相乘，得到每一类别的负样本损失权重。
6.根据权利要求5所述目标检测方法，其特征在于，根据所述损失权重对所述目标检测模型的损失函数进行修正，包括：
获取所述目标检测模型的损失函数loss；
利用所述正样本损失权重Q(pos)和所述负样本损失权重Q(neg)修正所述损失函数loss；
其中，修正前的损失函数为loss＝-(yilog(σ(x))+(1-yi)log(1-(σ(x)))，修正后的损失函数为loss＝-(Q(pos)yilog(σ(x))+Q(neg)(1-yi)log(1-(σ(x)))，yi为样本是否属于i类的标签，σ(x)为类别的预测分数。
7.根据权利要求1至6任一项所述目标检测方法，其特征在于，在利用修正后的损失函数对所述目标检测模型进行参数调整之后，还包括：
判断所述目标检测模型是否迭代完毕；
若否，则从训练集中选取训练样本作为新的当前批次样本，并进入所述将当前批次样本输入目标检测模型得到特征图的步骤。
8.一种目标检测装置，其特征在于，包括：
样本输入模块，用于将当前批次样本输入目标检测模型得到特征图；其中，所述当前批次样本中包括多个类别的训练样本；
权重设置模块，用于根据所述特征图确定每一类别的样本梯度信息，根据所述样本梯度信息设置每一类别的损失权重；
损失函数调整模块，用于根据所述损失权重对所述目标检测模型的损失函数进行修正，并利用修正后的损失函数对所述目标检测模型进行参数调整，以便得到训练后的目标检测模型；
目标检测模块，用于利用所述训练后的目标检测模型对未知信息执行目标检测操作。
9.一种电子设备，其特征在于，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器调用所述存储器中的计算机程序时实现如权利要求1至7任一项所述目标检测方法的步骤。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机可执行指令，所述计算机可执行指令被处理器加载并执行时，实现如权利要求1至7任一项所述目标检测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111666389.XA CN114330573A (zh) | 2021-12-30 | 2021-12-30 | 一种目标检测方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111666389.XA CN114330573A (zh) | 2021-12-30 | 2021-12-30 | 一种目标检测方法、装置、电子设备及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114330573A true CN114330573A (zh) | 2022-04-12 |
Family
ID=81021070
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111666389.XA Pending CN114330573A (zh) | 2021-12-30 | 2021-12-30 | 一种目标检测方法、装置、电子设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114330573A (zh) |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190378037A1 (en) * | 2018-06-07 | 2019-12-12 | Google Llc | Systems and Methods for Evaluating a Loss Function or a Gradient of a Loss Function via Dual Decomposition |
| CN110751175A (zh) * | 2019-09-12 | 2020-02-04 | 上海联影智能医疗科技有限公司 | 损失函数的优化方法、装置、计算机设备和存储介质 |
| CN110826634A (zh) * | 2019-11-11 | 2020-02-21 | 北京百度网讯科技有限公司 | 目标检测模型的训练方法、装置、电子设备及存储介质 |
| CN111091164A (zh) * | 2020-03-25 | 2020-05-01 | 魔视智能科技(上海)有限公司 | 基于ohem的语义分割模型训练方法及其系统 |
| WO2020143304A1 (zh) * | 2019-01-07 | 2020-07-16 | 平安科技（深圳）有限公司 | 损失函数优化方法、装置、计算机设备及存储介质 |
| CN111831956A (zh) * | 2020-06-16 | 2020-10-27 | 五邑大学 | 高自由度类不平衡性损失函数的调整方法和存储介质 |
| CN111832406A (zh) * | 2020-06-05 | 2020-10-27 | 中国科学院计算技术研究所 | 一种长尾目标检测方法与系统 |
| CN111860573A (zh) * | 2020-06-04 | 2020-10-30 | 北京迈格威科技有限公司 | 模型训练方法、图像类别检测方法、装置和电子设备 |
| CN111898685A (zh) * | 2020-08-03 | 2020-11-06 | 华南理工大学 | 一种基于长尾分布数据集的目标检测方法 |
| US20200394557A1 (en) * | 2019-06-15 | 2020-12-17 | Terrance Boult | Systems and methods for machine classification and learning that is robust to unknown inputs |
| CN112101544A (zh) * | 2020-08-21 | 2020-12-18 | 清华大学 | 适用于长尾分布数据集的神经网络的训练方法和装置 |
| CN112232407A (zh) * | 2020-10-15 | 2021-01-15 | 杭州迪英加科技有限公司 | 病理图像样本的神经网络模型训练方法、装置 |
| US20210073675A1 (en) * | 2019-09-11 | 2021-03-11 | Samsung Display Co., Ltd. | System and method to improve accuracy of regression models trained with imbalanced data |
| CN112633359A (zh) * | 2020-12-18 | 2021-04-09 | 成都艾特能电气科技有限责任公司 | 一种基于梯度平衡的多类别模型训练方法、介质及设备 |
| CN112632320A (zh) * | 2020-12-22 | 2021-04-09 | 天津大学 | 基于长尾分布提升语音分类尾部识别准确度的方法 |
| CN112651458A (zh) * | 2020-12-31 | 2021-04-13 | 深圳云天励飞技术股份有限公司 | 分类模型的训练方法、装置、电子设备及存储介质 |
| CN112766379A (zh) * | 2021-01-21 | 2021-05-07 | 中国科学技术大学 | 一种基于深度学习多权重损失函数的数据均衡方法 |
| US20210150261A1 (en) * | 2019-11-15 | 2021-05-20 | Fujitsu Limited | Method and apparatus for training classification model, and classification method |
| CN112861982A (zh) * | 2021-02-24 | 2021-05-28 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于梯度平均的长尾目标检测方法 |
| CN113222942A (zh) * | 2021-05-17 | 2021-08-06 | 北京百度网讯科技有限公司 | 多标签分类模型的训练方法和预测标签的方法 |
-
2021
- 2021-12-30 CN CN202111666389.XA patent/CN114330573A/zh active Pending
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190378037A1 (en) * | 2018-06-07 | 2019-12-12 | Google Llc | Systems and Methods for Evaluating a Loss Function or a Gradient of a Loss Function via Dual Decomposition |
| WO2020143304A1 (zh) * | 2019-01-07 | 2020-07-16 | 平安科技（深圳）有限公司 | 损失函数优化方法、装置、计算机设备及存储介质 |
| US20200394557A1 (en) * | 2019-06-15 | 2020-12-17 | Terrance Boult | Systems and methods for machine classification and learning that is robust to unknown inputs |
| US20210073675A1 (en) * | 2019-09-11 | 2021-03-11 | Samsung Display Co., Ltd. | System and method to improve accuracy of regression models trained with imbalanced data |
| CN110751175A (zh) * | 2019-09-12 | 2020-02-04 | 上海联影智能医疗科技有限公司 | 损失函数的优化方法、装置、计算机设备和存储介质 |
| CN110826634A (zh) * | 2019-11-11 | 2020-02-21 | 北京百度网讯科技有限公司 | 目标检测模型的训练方法、装置、电子设备及存储介质 |
| US20210150261A1 (en) * | 2019-11-15 | 2021-05-20 | Fujitsu Limited | Method and apparatus for training classification model, and classification method |
| CN111091164A (zh) * | 2020-03-25 | 2020-05-01 | 魔视智能科技(上海)有限公司 | 基于ohem的语义分割模型训练方法及其系统 |
| CN111860573A (zh) * | 2020-06-04 | 2020-10-30 | 北京迈格威科技有限公司 | 模型训练方法、图像类别检测方法、装置和电子设备 |
| CN111832406A (zh) * | 2020-06-05 | 2020-10-27 | 中国科学院计算技术研究所 | 一种长尾目标检测方法与系统 |
| CN111831956A (zh) * | 2020-06-16 | 2020-10-27 | 五邑大学 | 高自由度类不平衡性损失函数的调整方法和存储介质 |
| CN111898685A (zh) * | 2020-08-03 | 2020-11-06 | 华南理工大学 | 一种基于长尾分布数据集的目标检测方法 |
| CN112101544A (zh) * | 2020-08-21 | 2020-12-18 | 清华大学 | 适用于长尾分布数据集的神经网络的训练方法和装置 |
| CN112232407A (zh) * | 2020-10-15 | 2021-01-15 | 杭州迪英加科技有限公司 | 病理图像样本的神经网络模型训练方法、装置 |
| CN112633359A (zh) * | 2020-12-18 | 2021-04-09 | 成都艾特能电气科技有限责任公司 | 一种基于梯度平衡的多类别模型训练方法、介质及设备 |
| CN112632320A (zh) * | 2020-12-22 | 2021-04-09 | 天津大学 | 基于长尾分布提升语音分类尾部识别准确度的方法 |
| CN112651458A (zh) * | 2020-12-31 | 2021-04-13 | 深圳云天励飞技术股份有限公司 | 分类模型的训练方法、装置、电子设备及存储介质 |
| CN112766379A (zh) * | 2021-01-21 | 2021-05-07 | 中国科学技术大学 | 一种基于深度学习多权重损失函数的数据均衡方法 |
| CN112861982A (zh) * | 2021-02-24 | 2021-05-28 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于梯度平均的长尾目标检测方法 |
| CN113222942A (zh) * | 2021-05-17 | 2021-08-06 | 北京百度网讯科技有限公司 | 多标签分类模型的训练方法和预测标签的方法 |
Non-Patent Citations (1)
| Title |
|---|
| 杨海龙;田莹;王澧冰;: "基于优化损失函数的YOLOv2目标检测器", 辽宁科技大学学报, no. 01, 15 February 2020 (2020-02-15) * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110189255B (zh) | 基于两级检测的人脸检测方法 | |
| CN109344920B (zh) | 顾客属性预测方法、存储介质、系统及设备 | |
| CN103927550B (zh) | 一种手写体数字识别方法及系统 | |
| CN109635763B (zh) | 一种人群密度估计方法 | |
| CN113781510B (zh) | 边缘检测方法、装置及电子设备 | |
| WO2020065908A1 (ja) | パターン認識装置、パターン認識方法およびパターン認識プログラム | |
| CN111901594B (zh) | 面向视觉分析任务的图像编码方法、电子设备及介质 | |
| EP3745317A1 (en) | Apparatus and method for analyzing time series data based on machine learning | |
| CN114049627B (zh) | 可智能选择缩放尺度的船牌检测方法、装置及系统 | |
| CN111652430A (zh) | 一种互联网金融平台违约率的预测方法及系统 | |
| CN111814820A (zh) | 图像处理方法及装置 | |
| CN112561050B (zh) | 一种神经网络模型训练方法及装置 | |
| CN110751400B (zh) | 一种风险评估方法及装置 | |
| CN114330573A (zh) | 一种目标检测方法、装置、电子设备及存储介质 | |
| CN114830137A (zh) | 用于生成预测模型的方法和系统 | |
| CN111723010A (zh) | 一种基于稀疏代价矩阵的软件bug分类方法 | |
| CN114663731B (zh) | 车牌检测模型的训练方法及系统、车牌检测方法及系统 | |
| CN114419078B (zh) | 基于卷积神经网络的表面缺陷区域分割方法及装置 | |
| CN113222843B (zh) | 一种图像修复方法及其相关设备 | |
| CN115810105A (zh) | 一种全景分割方法、装置、设备及存储介质 | |
| CN114445656A (zh) | 多标签模型处理方法、装置、电子设备及存储介质 | |
| CN114514539A (zh) | 剪枝模块的确定方法、装置及计算机可读存储介质 | |
| CN109583512B (zh) | 图像处理方法、装置及系统 | |
| CN113947154A (zh) | 一种目标检测方法、系统、电子设备及存储介质 | |
| CN112598020A (zh) | 目标识别方法及系统 |
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 |