CN114529783A - 正负样本划分方法及其单阶段目标检测方法 - Google Patents

正负样本划分方法及其单阶段目标检测方法 Download PDF

Info

Publication number
CN114529783A
CN114529783A CN202210152498.8A CN202210152498A CN114529783A CN 114529783 A CN114529783 A CN 114529783A CN 202210152498 A CN202210152498 A CN 202210152498A CN 114529783 A CN114529783 A CN 114529783A
Authority
CN
China
Prior art keywords
positive
sample
anchor
positive sample
frame
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
Application number
CN202210152498.8A
Other languages
English (en)
Inventor
张师超
袁双雄
章成源
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.)
Central South University
Original Assignee
Central South University
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 Central South University filed Critical Central South University
Priority to CN202210152498.8A priority Critical patent/CN114529783A/zh
Publication of CN114529783A publication Critical patent/CN114529783A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/211—Selection of the most significant subset of features
    • G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种正负样本划分方法，包括获取待划分的样本数据集；确认模型并初始化；计算模型每个特征层的锚框数；对初始化的超参数进行调整；计算所有锚框与目标框的IOU值；在模型的每个特征层中挑选若干个与目标框的IOU值最大的锚框作为目标框的候选正样本集合；计算正样本IOU阈值；对候选正样本集合内的样本进行两次筛选得到最终的正样本加入到正样本集合；重复上述步骤直至所有特征层均计算完成，得到最后的正样本集合和负样本集合，完成样本数据集的正负样本划分。本发明还公开一种包括所述正负样本划分方法的单阶段目标检测方法。本发明方法鲁棒性强，对超参数不敏感，可靠性高，稳定性好。

Description

正负样本划分方法及其单阶段目标检测方法
技术领域
本发明属于计算机技术领域，具体涉及一种正负样本划分方法及其单阶段目标检测方法。
背景技术
随着经济技术的发展和人们生活水平的提高，计算机视觉技术已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。目标检测方法作为计算机视觉的一个研究方向，近年来发展十分迅速，而且也已经广泛应用到了我们生活中的方方面面，比如无人驾驶、医疗、农业、军事等领域。。在无人驾驶领域，可以通过摄像头采集道路周围信息，然后通过目标检测方法将其中的行人、车辆、红绿灯以及其他交通标志识别出来，车辆再通过这些信息采取相对应的措施。在医疗领域中，目标检测可以应用于目标区域检测、病理识别等，大大地提高了医疗检测速度，减轻了医疗人员的压力。而在农业领域，则可以通过目标检测方法检测病虫害和果实等。而在军事领域中则可以通过目标检测方法检测无人机等。
目标检测方法主要的任务在于找出图像中感兴趣的物体，并在图像中进行标注物体的位置，并进行分类。由于不同的物体有不同的形状、尺寸、颜色，且物体之间可能存在遮挡，所以目标检测一直以来都是一个充满挑战性的研究领域。现有的目标检测技术主要分为两类：第一类是两阶段检测方法，两阶段检测方法先生成候选区域，再利用卷积神经网络来进行物体的分类和定位；比较常见的两阶段目标检测方法包括RCNN、Fast RCNN、FasterRCNN等；第二类是单阶段检测方法，其直接通过一个端到端的网络来进行特征提取和物体分类定位；比较常见的单阶段检测方法有YOLO v1、YOLO v2、SSD、YOLO V3、RetinaNet、YOLOv4、YOLO v5等。
现有的单阶段目标检测算法因为相比于两阶段目标检测算法没有候选框生成阶段，会铺设大量的锚框，在SSD检测算法中，会铺设8732个锚框，但是一张图像一般只有屈指可数的物体，所以大量的锚框基本是无用的，会被标示成负样本，而负责检测物体的锚框则被称之为正样本，这样一来负样本的数量会压倒正样本的数量，造成正负样本比例严重失衡；传统的正负样本解决方案一般主要是两种方案：(1)Hard Sampling:从所有候选样本中选择子集类训练模型。(2)Soft Sampling:给所有候选样本中安排不同的权重值。
因此，单阶段目标检测算法相比于两阶段目标检测速度更快。但是，目前的单阶段检测方法的检测精度较低，而且单阶段目标检测在检测过程中会产生大量的候选框，导致正负样本不平衡。
发明内容
本发明的目的之一在于提供一种鲁棒性强、超参数不敏感且可靠性高、稳定性好的正负样本划分方法。
本发明的目的之二在于提供一种包括了所述正负样本划分方法的单阶段目标检测方法。
本发明提供的这种正负样本划分方法，包括如下步骤：
S1.获取待划分的样本数据集；
S2.确认样本数据集所训练的模型，并对正负样本划分的参数进行初始化；
S3.计算步骤S2确认的模型中，每个特征层的锚框数；
S4.根据步骤S3得到的锚框数，对初始化的超参数进行调整；
S5.计算所有锚框与目标框的IOU(Intersection over Union)值；
S6.在模型的每个特征层中，均挑选若干个与目标框的IOU值最大的锚框，并作为目标框的候选正样本集合；
S7.计算正样本IOU阈值；
S8.根据步骤S7计算得到的正样本IOU的阈值，对步骤S6中候选正样本集合内的样本进行筛选；
S9.根据步骤S8得到的筛选后的候选正样本集合中，锚框的中心点与锚框所对应的目标框的关系，进行进一步的正样本筛选；
S10.将步骤S9得到的最终的正样本加入到正样本集合；
S11.重复步骤S6～S10直至所有特征层均计算完成，最终得到最后的正样本集合和负样本集合，完成样本数据集的正负样本划分。
步骤S2所述的模型，具体包括faster RCNN、YOLO v2、YOLO v3、SSD、RetinaNet、YOLO v4等。
步骤S2所述的对正负样本划分的参数进行初始化，具体包括初始化锚框集合A为空集，锚框集A中的第i个元素Ai表示模型中第i个特征层的锚框集合；初始化目标框集合G为空集，目标框集合G中的第i个元素Gi表示第i个真实目标(比如汽车、行人、自行车、路灯等)的目标框；初始化目标框Gi所对应的候选正样本集合Ci为空集；初始化正样本集合P为空集；初始化负样本集合N为空集；初始化超参数k为初始设定值kset。
所述的初始设定值kset的值为7、9、11、13或15。
步骤S3所述的计算步骤S2确认的模型中，每个特征层的锚框数，具体为计算步骤S2确认的模型中，每个特征层的锚框数，并将计算得到的锚框数存入对应的锚框集合Ai中。
步骤S4所述的根据步骤S3得到的锚框数，对初始化的超参数进行调整，具体为计算得到最终的超参数kend为kend＝min(kset,len(Ai))；其中kset为超参数k的初始设定值，len(Ai)为锚框集合Ai中元素的个数。
步骤S6所述的在模型的每个特征层中，均挑选若干个与目标框的IOU值最大的锚框，并作为目标框的候选正样本集合，具体为在模型的第i层特征层所对应的锚框集合Ai中，选择与目标框Gi的IOU值最大的前kend个锚框，并存入目标框Gi所对应的候选正样本集合Ci中。
步骤S7所述的计算正样本IOU阈值，具体包括如下步骤：
A.计算当前的候选正样本集合Ci中，kend个锚框的IOU平均值和方差，得到目标框Gi的初始正样本阈值t1为t1＝mg+vg；mg为kend个锚框的IOU值的平均值，vg为kend个锚框的IOU值的方差；
B.将步骤A得到的初始正样本阈值t1缩放到设定的区间[X,Y]，得到最终的正样本IOU阈值t为t＝min(max(t1,X),Y)。
所述的设定的区间[X,Y]为[0.2,0.5]。
步骤S8所述的根据步骤S7计算得到的正样本IOU的阈值，对步骤S6中候选正样本集合内的样本进行筛选，具体包括如下步骤：
对步骤S6得到的候选正样本集合Ci中的所有元素所对应的IOU值进行判断：
若IOU值小于正样本IOU阈值t，则将对应的锚框从候选正样本集合Ci中删除，并加入负样本集合N中；
若IOU值大于或等于正样本IOU阈值t，则将对应的锚框保留在候选正样本集合Ci中；
最终，完成对步骤S6中候选正样本集合内的样本的筛选，得到筛选后的候选正样本集合C'i。
步骤S9所述的根据步骤S8得到的筛选后的候选正样本集合中，锚框的中心点与锚框所对应的目标框的关系，进行进一步的正样本筛选，具体包括如下步骤：
a.计算步骤S8得到的筛选后的候选正样本集合C'i中，各个锚框的中心点位置；
b.对步骤a得到的锚框的中心点位置与锚框所对应的目标框之间的位置关系：
若锚框的中心点位置位于锚框所对应的目标框内，则将对应的锚框保留在筛选后的候选正样本集合C'i中；
若锚框的中心点位置位于锚框所对应的目标框外，则将对应的锚框从筛选后的候选正样本集合C'i中删除，并加入负样本集合N中；
最终，完成对步骤S8得到的筛选后的候选正样本集合C'i的筛选，得到最终的候选正样本集合C”i；完成进一步的正样本筛选。
本发明还公开了一种包括了所述正负样本划分方法的单阶段目标检测方法，具体包括如下步骤：
(1)获取样本数据集，并作为待划分的样本数据集；确认单阶段目标检测的检测模型，并作为样本数据集所训练的模型；
(2)采用上述的正负样本划分方法，对样本数据集进行正负样本划分，从而得到最终的正样本集合和负样本集合；
(3)采用步骤(2)得到的正样本集合和负样本集合，对单阶段目标检测的检测模型进行训练，从而得到最终的单阶段目标检测模型；
(4)采用步骤(3)得到的最终的单阶段目标检测模型，对目标检测的原始图片进行目标检测。
本发明提供的这种正负样本划分方法及其单阶段目标检测方法，正负样本划分的阈值是一个动态的阈值，因此能够根据锚框数量以及锚框铺设情况进行动态调节，而且超参数的取值范围较大；因此，本发明方法鲁棒性强，对超参数不敏感，可靠性高，稳定性好。
附图说明
图1为本发明的正负样本划分方法的方法流程示意图。
图2为本发明的单阶段目标检测方法的方法流程示意图。
图3为本发明的实施例的目标检测原始示意图。
图4为本发明的实施例的目标检测效果示意图。
具体实施方式
本发明针对现有技术的问题，提出了一种改进正负样本失衡的方法，从正负样本的选择方式入手，在以往的目标检测方法中，当锚框和目标框的IOU大于0.5时成为正样本，而当锚框和目标框的IOU小于0.2时则成为负样本，这种简单粗暴划分正负样本的方法缺乏鲁棒性，当某个目标框和所有锚框的IOU都小于0.5时，这样能够匹配这个目标框的锚框数量就为0，导致检测效果较差，而对于另一种极端情况则是，当某个目标框和许多锚框的IOU大于0.5时，这时候匹配该目标框的锚框数量则过多了，会产生许多无用的检测框。本发明不使用固定的阈值作为区分正负样本的标准，而是通过对目标框周围k个IOU最大的锚框进行计算得到一个动态的IOU阈值，通过这个阈值来区分正负样本。
如图1所示为本发明的正负样本划分方法的方法流程示意图：本发明提供的这种正负样本划分方法，包括如下步骤：
S1.获取待划分的样本数据集；
S2.确认样本数据集所训练的模型，并对正负样本划分的参数进行初始化；
其中的模型具体包括faster RCNN、YOLO v2、YOLO v3、SSD、RetinaNet、YOLO v4等；
所述的对正负样本划分的参数进行初始化，具体包括初始化锚框集合A为空集，锚框集A中的第i个元素Ai表示模型中第i个特征层的锚框集合；初始化目标框集合G为空集，目标框集合G中的第i个元素Gi表示第i个真实目标(比如汽车、行人、自行车、路灯等)的目标框；初始化目标框Gi所对应的候选正样本集合Ci为空集；初始化正样本集合P为空集；初始化负样本集合N为空集；初始化超参数k为初始设定值kset(优选为7、9、11、13或15)；
S3.计算步骤S2确认的模型中，每个特征层的锚框数；具体为计算步骤S2确认的模型中，每个特征层的锚框数，并将计算得到的锚框数存入对应的锚框集合Ai中；
S4.根据步骤S3得到的锚框数，对初始化的超参数进行调整；具体为计算得到最终的超参数kend为kend＝min(kset,len(Ai))；其中kset为超参数k的初始设定值，len(Ai)为锚框集合Ai中元素的个数；
S5.计算所有锚框与目标框的IOU(Intersection over Union)值；
S6.在模型的每个特征层中，均挑选若干个与目标框的IOU值最大的锚框，并作为目标框的候选正样本集合；具体为在模型的第i层特征层所对应的锚框集合Ai中，选择与目标框Gi的IOU值最大的前kend个锚框，并存入目标框Gi所对应的候选正样本集合Ci中；
S7.计算正样本IOU阈值；具体包括如下步骤：
A.计算当前的候选正样本集合Ci中，kend个锚框的IOU平均值和方差，得到目标框Gi的初始正样本阈值t1为t1＝mg+vg；mg为kend个锚框的IOU值的平均值，vg为kend个锚框的IOU值的方差；
B.将步骤A得到的初始正样本阈值t1缩放到设定的区间[X,Y](优选为[0.2,0.5])，得到最终的正样本IOU阈值t为t＝min(max(t1,X),Y)；
S8.根据步骤S7计算得到的正样本IOU的阈值，对步骤S6中候选正样本集合内的样本进行筛选；具体包括如下步骤：
对步骤S6得到的候选正样本集合Ci中的所有元素所对应的IOU值进行判断：
若IOU值小于正样本IOU阈值t，则将对应的锚框从候选正样本集合Ci中删除，并加入负样本集合N中；
若IOU值大于或等于正样本IOU阈值t，则将对应的锚框保留在候选正样本集合Ci中；
最终，完成对步骤S6中候选正样本集合内的样本的筛选，得到筛选后的候选正样本集合C'i；
S9.根据步骤S8得到的筛选后的候选正样本集合中，锚框的中心点与锚框所对应的目标框的关系，进行进一步的正样本筛选；具体包括如下步骤：
a.计算步骤S8得到的筛选后的候选正样本集合C'i中，各个锚框的中心点位置；
b.对步骤a得到的锚框的中心点位置与锚框所对应的目标框之间的位置关系：
若锚框的中心点位置位于锚框所对应的目标框内，则将对应的锚框保留在筛选后的候选正样本集合C'i中；
若锚框的中心点位置位于锚框所对应的目标框外，则将对应的锚框从筛选后的候选正样本集合C'i中删除，并加入负样本集合N中；
最终，完成对步骤S8得到的筛选后的候选正样本集合C'i的筛选，得到最终的候选正样本集合C”i；完成进一步的正样本筛选；
S10.将步骤S9得到的最终的正样本加入到正样本集合；
S11.重复步骤S6～S10直至所有特征层均计算完成，最终得到最后的正样本集合和负样本集合，完成样本数据集的正负样本划分。
如图2所示为本发明的单阶段目标检测方法的方法流程示意图：本发明提供的这种包括了所述正负样本划分方法的单阶段目标检测方法，具体包括如下步骤：
(1)获取样本数据集，并作为待划分的样本数据集；确认单阶段目标检测的检测模型，并作为样本数据集所训练的模型；
(2)采用上述的正负样本划分方法，对样本数据集进行正负样本划分，从而得到最终的正样本集合和负样本集合；
(3)采用步骤(2)得到的正样本集合和负样本集合，对单阶段目标检测的检测模型进行训练，从而得到最终的单阶段目标检测模型；
(4)采用步骤(3)得到的最终的单阶段目标检测模型，对目标检测的原始图片进行目标检测。
以下结合实施例，对本发明的效果进行进一步说明：
图3为本实施例的目标检测原始示意图；本实施例仅对某一层特征层进行说明；该特征层的锚框数量为50，超参数k＝9；
对于每个目标框Gi而言，建立一个其对应的候选正样本集合Ci，初始都为空集合。目标框的坐标信息如下：
[0.61284676 0.61615466 0.81284676 0.81615466]
计算模型中的每个特征层所对应的锚框下标以及锚框数，将每一层的锚框加入到对应的锚框集合Ai中。该特征层的锚框坐标如下：
[[0.23790486 0.2883428 0.43790486 0.4883428]
[0.57656675 0.31372731 0.77656675 0.51372731]
[0.61196703 0.53767393 0.81196703 0.73767393]
[0.57183242 0.27272307 0.77183242 0.47272307]
[0.230149 0.51421106 0.430149 0.71421106]
[0.39965081 0.66114755 0.59965081 0.86114755]
[0.24408573 0.7067477 0.44408573 0.9067477]
[0.37192256 0.58626501 0.57192256 0.78626501]
[0.43513538 0.63786772 0.63513538 0.83786772]
[0.64795695 0.21401723 0.84795695 0.41401723]
[0.40203845 0.61452794 0.60203845 0.81452794]
[0.63906426 0.64505796 0.83906426 0.84505796]
[0.34500032 0.78365833 0.54500032 0.98365833]
[0.21195243 0.44657727 0.41195243 0.64657727]
[0.72381198 0.3403447 0.92381198 0.5403447]
[0.0077607 0.76544857 0.2077607 0.96544857]
[0.07816534 0.55450836 0.27816534 0.75450836]
[0.76324028 0.03562219 0.96324028 0.23562219]
[0.43778051 0.1141105 0.63778051 0.3141105]
[0.61868325 0.01756541 0.81868325 0.21756541]
[0.45648874 0.12288837 0.65648874 0.32288837]
[0.76919961 0.45022924 0.96919961 0.65022924]
[0.58748094 0.62216626 0.78748094 0.82216626]
[0.13458162 0.77191046 0.33458162 0.97191046]
[0.25728831 0.34198456 0.45728831 0.54198456]
[0.47818027 0.6179287 0.67818027 0.8179287]
[0.65825023 0.7690782 0.85825023 0.9690782]
[0.03559698 0.1038453 0.23559698 0.3038453]
[0.0374339 0.67119083 0.2374339 0.87119083]
[0.4604352 0.70573661 0.6604352 0.90573661]
[0.4075054 0.08446388 0.6075054 0.28446388]
[0.02168888 0.39670351 0.22168888 0.59670351]
[0.50159486 0.60806258 0.70159486 0.80806258]
[0.28100178 0.13842495 0.48100178 0.33842495]
[0.65489783 0.15995768 0.85489783 0.35995768]
[0.74265962 0.74312835 0.94265962 0.94312835]
[0.4160197 0.69111461 0.6160197 0.89111461]
[0.67597631 0.75587906 0.87597631 0.95587906]
[0.7268737 0.68240918 0.9268737 0.88240918]
[0.55826882 0.20562433 0.75826882 0.40562433]
[0.14638158 0.0090666 0.34638158 0.2090666]
[0.42911881 0.03087325 0.62911881 0.23087325]
[0.13942205 0.68893445 0.33942205 0.88893445]
[0.10046795 0.38531812 0.30046795 0.58531812]
[0.0953313 0.72643785 0.2953313 0.92643785]
[0.35119334 0.61939439 0.55119334 0.81939439]
[0.36284693 0.17090516 0.56284693 0.37090516]
[0.23757004 0.74918713 0.43757004 0.94918713]
[0.05325485 0.43595275 0.25325485 0.63595275]
[0.70532252 0.63788459 0.90532252 0.83788459]]
由于每一层的锚框数不同，有些特征层所拥有的锚框数量小于k，将k设置为：k＝min(k,len(Ai))＝9
计算所有锚框与这个目标框的IOU，得到的IOU结果如下：
Figure BDA0003511118760000121
Figure BDA0003511118760000131
在模型中的每一层锚框集合Ai中都挑选前k个与该目标框IOU最大的锚框，将其加入到作为这个目标框的候选正样本集合Ci中。计算这k个锚框的IOU平均值mg和方差vg；该目标框的正样本阈值为：t＝mg+vg。通过计算得到t＝0.36795968262246825；
通过上一步计算出来阈值t有时候过小而有时候则过大，需要将t缩放到一个较为合理的区间，经过实验发现，将t缩放到0.2-0.5的区间较为合理，t＝min(max(t,0.2),0.5)，通过计算得到t＝0.36795968262246825；
将IOU小于t的锚框从该目标框所对应的候选正样本集合中剔除，将其加入到负样本集合N中，这Ai所属于正负样本的分类信息如下，True代表为正样本，False代表负样本。
[False False True False False False False False False False FalseTrue False False False False False False False False False False True FalseFalse False False False False False False False False False False False FalseFalse False False False False False False False False False False FalseFalse]
计算候选正样本锚框集合中锚框的中心店是否存在于该锚框所对应的目标框之中，如果不在目标框之中的话需要将其从候选正样本集合Gi中剔除，将其加入到负样本集合N中，通过去除不在目标框中心之后的锚框分类信息如下:
[False False True False False False False False False False FalseTrue False False False False False False False False False False True FalseFalse False False False False False False False False False False False FalseFalse False False False False False False False False False False FalseFalse]
将保留下来的候选正样本集合Ci加入到正样本集合P中；最终通过后续的单阶段目标检测方法对图3进行目标检测，检测结果如图4所示。从图4中可以看到，检测的准确性较高，效果较好。

Claims (10)

1.一种正负样本划分方法，包括如下步骤：
S1.获取待划分的样本数据集；
S2.确认样本数据集所训练的模型，并对正负样本划分的参数进行初始化；
S3.计算步骤S2确认的模型中，每个特征层的锚框数；
S4.根据步骤S3得到的锚框数，对初始化的超参数进行调整；
S5.计算所有锚框与目标框的IOU值；
S6.在模型的每个特征层中，均挑选若干个与目标框的IOU值最大的锚框，并作为目标框的候选正样本集合；
S7.计算正样本IOU阈值；
S8.根据步骤S7计算得到的正样本IOU的阈值，对步骤S6中候选正样本集合内的样本进行筛选；
S9.根据步骤S8得到的筛选后的候选正样本集合中，锚框的中心点与锚框所对应的目标框的关系，进行进一步的正样本筛选；
S10.将步骤S9得到的最终的正样本加入到正样本集合；
S11.重复步骤S6～S10直至所有特征层均计算完成，最终得到最后的正样本集合和负样本集合，完成样本数据集的正负样本划分。
2.根据权利要求1所述的正负样本划分方法，其特征在于步骤S2所述的模型，具体包括faster RCNN、YOLO v2、YOLO v3、SSD、RetinaNet和YOLO v4。
3.根据权利要求1所述的正负样本划分方法，其特征在于步骤S2所述的对正负样本划分的参数进行初始化，具体包括初始化锚框集合A为空集，锚框集A中的第i个元素Ai表示模型中第i个特征层的锚框集合；初始化目标框集合G为空集，目标框集合G中的第i个元素Gi表示第i个真实目标的目标框；初始化目标框Gi所对应的候选正样本集合Ci为空集；初始化正样本集合P为空集；初始化负样本集合N为空集；初始化超参数k为初始设定值kset。
4.根据权利要求3所述的正负样本划分方法，其特征在于步骤S3所述的计算步骤S2确认的模型中，每个特征层的锚框数，具体为计算步骤S2确认的模型中，每个特征层的锚框数，并将计算得到的锚框数存入对应的锚框集合Ai中。
5.根据权利要求4所述的正负样本划分方法，其特征在于步骤S4所述的根据步骤S3得到的锚框数，对初始化的超参数进行调整，具体为计算得到最终的超参数kend为kend＝min(kset,len(Ai))；其中kset为超参数k的初始设定值，len(Ai)为锚框集合Ai中元素的个数。
6.根据权利要求5所述的正负样本划分方法，其特征在于步骤S6所述的在模型的每个特征层中，均挑选若干个与目标框的IOU值最大的锚框，并作为目标框的候选正样本集合，具体为在模型的第i层特征层所对应的锚框集合Ai中，选择与目标框Gi的IOU值最大的前kend个锚框，并存入目标框Gi所对应的候选正样本集合Ci中。
7.根据权利要求6所述的正负样本划分方法，其特征在于步骤S7所述的计算正样本IOU阈值，具体包括如下步骤：
A.计算当前的候选正样本集合Ci中，kend个锚框的IOU平均值和方差，得到目标框Gi的初始正样本阈值t1为t1＝mg+vg；mg为kend个锚框的IOU值的平均值，vg为kend个锚框的IOU值的方差；
B.将步骤A得到的初始正样本阈值t1缩放到设定的区间[X,Y]，得到最终的正样本IOU阈值t为t＝min(max(t1,X),Y)。
8.根据权利要求7所述的正负样本划分方法，其特征在于步骤S8所述的根据步骤S7计算得到的正样本IOU的阈值，对步骤S6中候选正样本集合内的样本进行筛选，具体包括如下步骤：
对步骤S6得到的候选正样本集合Ci中的所有元素所对应的IOU值进行判断：
若IOU值小于正样本IOU阈值t，则将对应的锚框从候选正样本集合Ci中删除，并加入负样本集合N中；
若IOU值大于或等于正样本IOU阈值t，则将对应的锚框保留在候选正样本集合Ci中；
最终，完成对步骤S6中候选正样本集合内的样本的筛选，得到筛选后的候选正样本集合C'i。
9.根据权利要求8所述的正负样本划分方法，其特征在于步骤S9所述的根据步骤S8得到的筛选后的候选正样本集合中，锚框的中心点与锚框所对应的目标框的关系，进行进一步的正样本筛选，具体包括如下步骤：
a.计算步骤S8得到的筛选后的候选正样本集合C'i中，各个锚框的中心点位置；
b.对步骤a得到的锚框的中心点位置与锚框所对应的目标框之间的位置关系：
若锚框的中心点位置位于锚框所对应的目标框内，则将对应的锚框保留在筛选后的候选正样本集合C'i中；
若锚框的中心点位置位于锚框所对应的目标框外，则将对应的锚框从筛选后的候选正样本集合C'i中删除，并加入负样本集合N中；
最终，完成对步骤S8得到的筛选后的候选正样本集合C'i的筛选，得到最终的候选正样本集合C″i；完成进一步的正样本筛选。
10.一种包括了权利要求1～9之一所述的正负样本划分方法的单阶段目标检测方法，其特征在于具体包括如下步骤：
(1)获取样本数据集，并作为待划分的样本数据集；确认单阶段目标检测的检测模型，并作为样本数据集所训练的模型；
(2)采用权利要求1～9之一所述的正负样本划分方法，对样本数据集进行正负样本划分，从而得到最终的正样本集合和负样本集合；
(3)采用步骤(2)得到的正样本集合和负样本集合，对单阶段目标检测的检测模型进行训练，从而得到最终的单阶段目标检测模型；
(4)采用步骤(3)得到的最终的单阶段目标检测模型，对目标检测的原始图片进行目标检测。
CN202210152498.8A 2022-02-18 2022-02-18 正负样本划分方法及其单阶段目标检测方法 Pending CN114529783A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210152498.8A CN114529783A (zh) 2022-02-18 2022-02-18 正负样本划分方法及其单阶段目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210152498.8A CN114529783A (zh) 2022-02-18 2022-02-18 正负样本划分方法及其单阶段目标检测方法

Publications (1)

Publication Number Publication Date
CN114529783A true CN114529783A (zh) 2022-05-24

Family

ID=81622639

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210152498.8A Pending CN114529783A (zh) 2022-02-18 2022-02-18 正负样本划分方法及其单阶段目标检测方法

Country Status (1)

Country Link
CN (1) CN114529783A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759027A (zh) * 2022-11-25 2023-03-07 上海苍阙信息科技有限公司 文本数据处理系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115759027A (zh) * 2022-11-25 2023-03-07 上海苍阙信息科技有限公司 文本数据处理系统及方法
CN115759027B (zh) * 2022-11-25 2024-03-26 上海苍阙信息科技有限公司 文本数据处理系统及方法

Similar Documents

Publication Publication Date Title
CN108921083B (zh) 基于深度学习目标检测的非法流动摊贩识别方法
CN106096561B (zh) 基于图像块深度学习特征的红外行人检测方法
Kong et al. General road detection from a single image
WO2017190574A1 (zh) 一种基于聚合通道特征的快速行人检测方法
CN107657226B (zh) 一种基于深度学习的人数估计方法
CN112926410B (zh) 目标跟踪方法、装置、存储介质及智能视频系统
CN111444821A (zh) 一种城市道路标志自动识别方法
WO2021228088A1 (zh) 一种雾霾图像的雾浓度识别方法
CN110263712B (zh) 一种基于区域候选的粗精行人检测方法
CN108416250A (zh) 人数统计方法及装置
CN111696128A (zh) 一种高速多目标检测跟踪和目标图像优选方法及存储介质
CN107657225B (zh) 一种基于聚合通道特征的行人检测方法
CN102521616B (zh) 基于稀疏表示的行人检测方法
CN113409267B (zh) 一种基于深度学习的路面裂缝检测与分割方法
CN111401145B (zh) 一种基于深度学习与ds证据理论的可见光虹膜识别方法
CN110119726A (zh) 一种基于YOLOv3模型的车辆品牌多角度识别方法
CN107564035B (zh) 基于重要区域识别和匹配的视频跟踪方法
CN107688830B (zh) 一种用于案件串并的现勘视觉信息关联图层生成方法
CN113762009B (zh) 一种基于多尺度特征融合及双注意力机制的人群计数方法
CN109784216B (zh) 基于概率图的车载热成像行人检测RoIs提取方法
CN103886609B (zh) 基于粒子滤波和lbp特征的车辆跟踪方法
CN110263635A (zh) 基于结构森林和PCANet的标志物检测与识别方法
CN104484680A (zh) 一种多模型多阈值组合的行人检测方法
Liu et al. Multi-type road marking recognition using adaboost detection and extreme learning machine classification
CN104050460B (zh) 多特征融合的行人检测方法

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