[发明专利]一种基于梯度平均的长尾目标检测方法

权利要求书

1.一种基于梯度平均的长尾目标检测方法，其特征在于，包括以下步骤：

S1：获取符合长尾分布的图像数据集，并对所述图像数据集进行图像增强处理，得到图像增强数据集，将所述图像增强数据集划分为训练集和测试集；

S2：采用预训练模型在所述训练集上训练，得到初始目标检测模型；

S3：用所述初始目标检测模型在训练集上进行初步检测得到初步检测结果，根据初步检测结果的表征在初始目标检测模型中定义出类别分类器，根据类别分类器的正梯度和负梯度的累计梯度比对类别分类器进行加权，同时在类别分类器上增加一个检测客观性的分支，得到新初始目标检测模型，将所述新初始目标检测模型在训练集上进行训练，得到最终目标检测模型；

S4：将待目标检测的图片输入至所述最终目标检测模型，得到所述图片的正常类别以及长尾类别的识别结果，完成长尾目标检测。

2.根据权利要求1所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述数据集为LVIS数据集。

3.根据权利要求1所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述步骤S1还包括：对所述训练集的图片进行旋转，产生四张不同角度的子图片，再用尺寸变换和二值分割的方法对所述子图片进行图像增强处理。

4.根据权利要求1所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述步骤S2还包括：采用Faster R-CNN作为原始目标检测模型，原始目标检测模型中的主干卷积网络在ImageNet上进行预训练，得到所述预训练模型，所述预训练模型为Inception-Resnet-V2模型。

5.根据权利要求4所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述Inception-Resnet-V2模型包括stem结构、Inception-resnet-A结构、Inception-resnet-B结构和Inception-resnet-C结构。

6.根据权利要求1所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述步骤S2还包括：对所述预训练模型进行微调，将所述预训练模型的权重衰减设为0.0001，批处理大小为16，使用动量为0.9的SGD优化器训练30轮，前20轮学习率设为1e-4,后面10轮由1e-5递减为1e-6，采用微调后的预训练模型在所述训练集上进行训练，得到所述初始目标检测模型。

7.根据权利要求1所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述步骤3还包括：定义初步检测结果为一批实例I，所述类别分类器的输出z_j相对于损失梯度L的正梯度的计算公式为：

其中，是第i个实例的one-hot编码，是第i个情况下第j类的估计概率。

8.根据权利要求1所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述步骤3还包括：定义初步检测结果为一批实例I，所述类别分类器的输出z_j相对于损失梯度L的负梯度的计算公式为：

其中，是第i个实例的one-hot编码，是第i个情况下第j类的估计概率。

9.根据权利要求1所述一种基于梯度平均的长尾目标检测方法，其特征在于，所述步骤3还包括：定义为所述类别分类器正梯度和负梯度的比值，迭代t次，迭代过程中正梯度和负梯度r_t^j的权重计算如下：

其中，f()是映射函数：