[发明专利]基于正负样本采样比和模型微调的目标检测优化方法

权利要求书

1.一种基于正负样本采样比和模型微调的目标检测优化方法，其特征在于，包括以下步骤：

步骤1)设计整体网络架构：使用检测速度性能优异且具有良好的检测精度的单步网络架构SSD作为基础网络，在此基础上，引入FPN结构对检测架构进行创新，实现高精度的多尺度检测效果；

步骤2)训练模型：使用ImageNet数据训练的基础模型的参数作为模型训练的初始参数，并在此基础上进行微调，其后使用验证集调节模型的相关超参数，从而确定出最终检测器的最优超参数；

步骤3)验证模型并采取不同的优化措施：使用测试数据验证训练好的模型的性能，对模型的检测效果进行可视化，并对存在漏检与误检的图片进行分析，其后针对不同情况的漏检以及不同场景的误检采取不同的优化措施，实现对目标检测效果的针对性优化；

步骤4)以固定正负样本比例注入负样本的优化措施：针对步骤3)中的误检情况进行优化，使用被误检的目标类别作为负样本进行优化，并确保采样得到的正负样本数据与原始的没有添加负样本数据的正负样本的比例保持一致，实现负样本的种类增加，并且正负样本的比例不变。从而避免负样本过多，导致模型的优化方向朝着倾向于负样本的的方向进行更新；

步骤5)对不同尺度目标检测的优化措施：针对步骤3)中的漏检情况，对漏检的目标的尺度进行分析，相对于特征图的大小进行匹配，如果是小目标的漏检，则固定网络中的高层结构的参数，使用数据增强的方式生成大量的小目标，来微调网络的底层结构，实现底层更好的提取小目标的特征信息；如果漏检测的是大目标，则使用数据增强生成大目标的图片，固定底层网络参数，不再进行训练学习，微调高层网络结构中的参数，实现网络更好的对大目标的检测。

2.如权利要求1所述的基于正负样本采样比和模型微调的目标检测优化方法，其特征在于，步骤1)中，使用1/8，1/16，1/32的尺度作为检测器的输入层。基础网络输出1/32的特征图作为其中的一个检测输入特征，然后使用反卷积操作扩大特征图的尺度，再将扩大之后的特征图与原始的1/16的特征图进行特征融合，将融合之后的特征作为检测器的输入特征；然后将融合之后的特征再进行反卷积操作，与原始的1/8的特征图进行融合，将融合之后的1/8的特征图作为检测器的输入特征层。

3.如权利要求1所述的基于正负样本采样比和模型微调的目标检测优化方法，其特征在于，所述步骤2)中，在模型训练中，使用模型的初始化学习率为10e-4，每次迭代20个epoch，学习率降低为原来的1/10。

4.如权利要求1所述的基于正负样本采样比和模型微调的目标检测优化方法，其特征在于，所述步骤4)中，在模型训练的过程中，统计每个batch中的正负样本的数量，保证正负样本的数量比例与没有进行优化之前的正负样本的比例一致。

5.如权利要求1所述的基于正负样本采样比和模型微调的目标检测优化方法，其特征在于，所述步骤5)中，在进行模型的微调的时候，将固定层的学习率设置为0，固定该层的参数，不再进行学习，将需要进行微调的层的学习率设置为10e-5，进行模型参数的微调。