一种基于自适应类属性模糊度感知的目标检测方法与流程

本发明涉及视觉处理，具体涉及一种基于自适应类属性模糊度感知的目标检测方法。

背景技术：

1、卷积神经网络推动了深度学习的发展热潮，girshick等人在2014年提出第一个基于深度学习的两阶段目标检测方法rcnn。ren等人在2015年提出了faster rcnn，通过候选框机制实现了正负样本平衡，奠定了两阶段算法在检测精度上的优势地位。

2、相比之下，一阶段目标检测算法则往往被用于实时性更高的检测任务。但近年来，一阶段目标检测算法凭借不断优化的策略在保持推理速度的基础上实现了检测精度的追赶。lin t y等人在2017年针对一阶段算法密集采样时前景-背景的类不平衡矛盾提出了retiannet，以聚焦损失(focal loss)有效解决了大量易分负样本带来的损失及梯度淹没问题。

3、预测框与其真实框的交并比(intersection over union，iou)作为一项关键指标体现了各样本的回归性能优劣，是正负样本划分、样本选取及损失构建等优化策略的重要依据。

4、faster rcnn在rpn阶段分别将iou大于0.7和小于0.3的目标定义为正负样本，并通过随机采样的方法实现正负样本平衡，此样本策略虽然获得了高置信度的属性样本，但没有进一步利用置信度信息引导样本回归。redmon等人在2016年提出了yolo(you onlylook once)，基于iou的置信度(confidence)包含了预测框目标的属性及置信程度两层信息，使得yolo以单回归网络实现了端到端的目标检测和识别。yolo v1(you only lookonce vision 1)以此构建了方差形式的置信度损失，之后的yolo v3衍化成了基于交叉熵的置信度损失。

5、与分类任务中难、易分样本间的失衡问题一样，样本回归任务中同样存在由大量低置信度样本引发的置信度信息淹没。虽然yolo的置信度损失在不断改进，但现有损失函数无法有效抑制低置信度样本的信息，置信度信息的极端不平衡问题依旧存在。

技术实现思路

1、本发明主要针对网络训练时低置信度信息淹没的问题提出了一种自适应类属性模糊度感知的目标检测方法。

2、为了实现上述目的，本发明采用以下技术方案：

3、一种基于自适应类属性模糊度感知的目标检测方法，实现包括如下步骤：

4、步骤1、将各样本的iou与中值0.5相减并取绝对值定义自适应类属性模糊感知(adaptive class blurry aware,acba)值，以此感知目标类属正负样本的属性模糊度，具体过程为：

5、(1)利用样本的iou中值0.5划分出正负样本；

6、(2)基于样本类属性的模糊度与0.5的中心偏离程度成反比的特点，定义iou＝0.5为类属性模糊中心，与类属性模糊中心偏离度越小的样本，其类属性模糊程度越高。

7、(3)利用|iou-0.5|定义各样本置信度的投射值，即acba值，反映样本的类属性模糊度，如公式(1)所示：

8、acba＝|iou-0.5| (1)

9、步骤2、基于交叉熵损失和acba值构建置信度损失acba loss，抑制低置信度信息，并设计聚焦参数平衡正负样本的置信度信息：

10、基于acba值构建置信度损失acba loss，构建方式如公式(2)：

11、

12、其中，对于s×s每个网格单元生成的b个检测框，及用来判断是否由单元格i的检测框j负责物体预测，ci代表单元格i的真值，代表单元格i的检测框与其真实框的最大iou值，αt是用来平衡正负样本的加权因子，γp、γn是针对正负样本设计的聚焦参数，在聚焦参数作用下，以类属性模糊度作为自适应权重的acba loss可在平衡正负样本的基础上有效抑制低置信度信息；

13、步骤3、通过惩罚因子、约束因子改进acba值得到i_acba，补偿置信度信息并平衡损失中类属性模糊度的贡献占比，具体过程如下：

14、(1)为适应分类和回归双支路或单一回归支路的不同检测任务，为acba添加惩罚因子μ、约束因子τ，得到i_acba如公式(3)：

15、i_acba＝μ|iou-0.5|+τ (3)

16、(2)以优化后的acba值重构i_acba loss如公式(4)：

17、

18、对比基础acba loss，约束因子τ主要作用于单一回归网络，用来补偿由于损失衰减而造成的置信度信息不足，惩罚因子μ则是用来平衡损失中类属性模糊度的贡献占比，避免类属性模糊度对低置信度信息的抑制作用被较大的约束因子τ削弱，针对分类和回归双支路的检测网络，μ、τ可取默认值1、0；

19、步骤4、在yolo v4、retinanet与faster rcnn框架上引入改进的i_acba loss损失搭建目标检测框架，并与聚焦损失和交叉熵置信度损失进行对比分析。

20、在一些实施例中，步骤1所述的acba值是由|iou-0.5|定义，可反映样本的类属性模糊度，在以iou中值0.5划分样本属性时，靠近iou中值的样本类属性区分度差，置信程度低，具有较高的类属性模糊度。

21、在一些实施例中，步骤2所述的acba loss以类属性模糊度作为自适应权重来抑制低置信度信息，通过将各样本的置信度损失权重由1衰减至|iou-0.5|，类属性模糊度高的低置信度样本损失权重得到了更大程度的削弱，从而达到抑制低置信度样本信息的目的。

22、在一些实施例中，步骤3所述改进的i_acba值是为了适应分类和回归双支路或单一回归支路的不同检测任务，单一回归网络对置信度信息依赖性强，若通过|iou-0.5|直接过滤低置信度样本，则相对匮乏的置信度信息难以支撑样本回归，因此，约束因子τ的设计则是用来补偿单一回归网络所需的置信度信息，而由于较大的约束因子τ会削弱acba loss中类属性模糊度的贡献占比，易造成acba loss退化，针对此问题，本发明设计了惩罚因子μ，以此平衡置信度信息补偿与类属性模糊度对低置信度信息的抑制作用。

23、在一些实施例中，步骤4所述是为retinanet及faster rcnn框架添加置信度损失分支，进一步利用置信度信息引导样本回归，在yolo v4框架将原交叉熵损失替换为i_acbaloss，对比基础交叉熵损失，i_acba loss通过抑制类属性模糊的低置信度信息，缓解了信息淹没问题，可有效地提升模型检测精度。

24、本技术所提供的一种基于自适应类属性模糊度感知的目标检测方法具有的有益效果包括但不限于：

25、本发明的方法首先将各样本的iou与中值0.5相减并取绝对值定义自适应类属性模糊感知(adaptive class blurry aware,acba)值，以此感知目标类属正负样本的属性模糊度；其次基于交叉熵损失和acba值构建置信度损失acba loss，抑制低置信度信息，并设计聚焦参数平衡正负样本的置信度信息；然后通过惩罚因子、约束因子改进acba值得到i_acba，补偿置信度信息并平衡损失中类属性模糊度的贡献占比；最后在yolo v4、retinanet与faster rcnn框架上引入改进的i_acba loss搭建目标检测框架，并与聚焦损失和交叉熵置信度损失进行对比分析。本发明提出的i_acba loss结合三种框架搭建的算法模型，可有效抑制低置信度信息，缓解高置信度样本的信息淹没问题，从而提升模型的检测精度。