技术特征：
1.一种面向长尾目标检测的分类对数归一化方法，其特征是目标检测中，对分类器的预测分布使用归一化的方式执行矫正，具体为利用分类器已有的分类输出的分类对数计算统计量，来归一化分类网络最终激活值，自我纠正有偏差的预测结果。2.根据权利要求1所述的一种面向长尾目标检测的分类对数归一化方法，其特征是检测目标长尾分布。3.根据权利要求1或2所述的一种面向长尾目标检测的分类对数归一化方法，其特征是检测任务为对检测目标的分类任务，在构建分类网络并训练后，在测试阶段，测试集数据长尾分布，对于分类器输出的每批c维分类对数向量x∈r
c
，执行如下的归一化：其中μ(x),σ(x)∈r
c
表示在训练样本的向量上计算得到的均值和标准差，ε为稳定参数，用于维护标准差的数值稳定性；归一化操作为：首先遍历所有训练样本，通过指数滑动平均从训练集的批量分类统计量中累积全局统计量，得到μ(x)和σ(x)，从而获得分类器在每个类别上的预测偏见的近似；分类对数向量x被归一化为后，应用一个arg max函数来获得相应分类标签的近似值，作为分类器的最终预测结果。4.根据权利要求1或2所述的一种面向长尾目标检测的分类对数归一化方法，其特征是检测任务为对检测目标的分类和定位任务，目标检测网络对应具有分类分支和定位分支，在构建目标检测网络并训练后的测试过程中，测试集数据长尾分布，对于分类分支输出的每批(c+1)维分类对数向量每个向量都包含c个前景类和一个背景类的分类对数，执行如下形式的归一化：其中x∈r
c
表示分类对数向量的前景子向量；μ(x),σ(x)∈r
c
表示在训练样本的前景子向量上计算得到的均值和标准差，ε为稳定参数，用于维护标准差的数值稳定性，β∈r是考虑到前景背景样本的悬殊比例，而为前景向量设置的背景校准标量，设置为前景向量的最小值；归一化操作为：通过指数滑动平均从训练集的分类批量统计量中累积全局统计量，逐步聚合每个批训练样本上预测的分类对数的统计量，得到μ(x)和σ(x)，从而获得分类分支在每个类别上的预测偏见的近似，在分类对数向量的前景子向量x被归一化为后，分类分支应用一个arg max函数来获得相应标签的近似值，以作为分类分支的预测结果，与定位分支的结果结合，输出目标的类别和位置。
技术总结
一种面向长尾目标检测的分类对数归一化方法，目标检测中，对分类器的预测分布使用归一化的方式执行矫正，具体为利用分类器已有的分类输出的分类对数计算统计量，来归一化分类网络最终激活值，自我纠正有偏差的预测结果。尤其适用于长尾目标检测。本发明方法是免训练和免调参的，与具体目标检测模型和分布无关，是即插即用的。本发明方法同时在长尾目标检测和分类任务上展现了有效性和通用性，在现有的极具挑战性的长尾目标检测数据集LVIS 1.0上，本发明方法在多种检测器设置下，所有标准指标均超过了现有最好模型。本发明方法也在长尾分类数据集ImageNet-LT上取得了较好的效果。LT上取得了较好的效果。LT上取得了较好的效果。
技术研发人员：王利民 赵亮 滕尧 武港山
受保护的技术使用者：南京大学
技术研发日：2022.03.29
技术公布日：2022/8/5