[发明专利]一种基于软标签的目标检测样本平衡方法

说明书

本发明涉及图像处理技术领域，公开了一种基于软标签的目标检测样本平衡方法，所述方法包括：获取输入图像的目标的个数以及候选框的个数；计算每一个目标与每一个候选框的第一IOU值；对所述第一IOU值按列取最大值，得到第二IOU值，并获取所述第二IOU值在所述第一IOU值中的行索引值；对每一个目标，从所述行索引值中获取负责该目标的所有目标候选框，基于软标签获取每一个目标候选框的标签值；根据每一个目标候选框的标签值以及预先构建的损失函数获取每一个目标候选框的预测概率；根据所述预测概率输出目标检测框。本发明提供的一种基于软标签的目标检测样本平衡方法，能够对目标检测过程中的样本数量进行平衡，提高检测结果的准确率。

技术领域

本发明涉及图像处理技术领域，特别是涉及一种基于软标签的目标检测样本平衡方法。

背景技术

在目标检测任务中，定义样本的方式直接影响检测器的性能。例如，在Anchor-Base检测算法中，一张图像中存在大约100K个候选框，而仅有极少的候选框包含目标，这导致了目标检测任务中样本数量的极度不平衡，如果不采取对应的措施，数量上的失衡将导致网络无法学习到有效的正样本的特征，影响检测器的性能。

为了达到样本平衡的目的，在two-stage目标检测算法中，如faster-rcnn，定义IOU(Intersection over Union)大于0.7为正样本，小于0.3为负样本，通过RPN(RegionProposal Network)筛选出有效的正负样本训练并采用经典的交叉熵损失函数CEloss＝-log(p_x)；在one-stage目标检测算法中，如RetinaNet，定义IOU大于0.5为正样本，小于0.4为负样本，并提出了focalloss损失函数FLloss＝-(1-p_x)^γlog(p_x)，大大降低了简单样本在整体损失中所占的比重，使得网络着重学习较难样本。

但是，无论是RPN还是focalloss都是仅仅从样本的数量的角度做相应的平衡，而并未考虑样本的质量角度的平衡，检测器的性能仍无法得到保证。

以retinaNet为例，定义IOU大于0.5为正样本，通常图像中的某个目标对应的正样本候选框数目远大于1，即正样本候选框的数目和目标是多对一的关系，从损失的角度分析，对于正样本，loss等于0的条件是x→+∞，对于负样本loss等于0的条件是x→-∞，忽略样本不计损失。同一个目标存在较多不同IOU的正样本候选框，质量也不尽相同，但损失函数并未对这些正样本加以区分。网络在训练一段时间后，高质量候选框相对易学，损失优先降低，此时低质量候选框损失所占整体损失比例较大，网络会着重学习低质量候选框。在最终的筛选过程中负责同一目标的大部分候选框会被NMS(Non-Maximum Suppression)抑制。网络没有将注意力放在高质量候选框，而着重学习的低质量候选框却在最终大部分被抑制，影响了检测器的性能，检测结果准确不高。

发明内容

本发明实施例所要解决的技术问题是：提供一种基于软标签的目标检测样本平衡方法，基于软标签对目标图像进行检测，对目标检测过程中的样本数量进行平衡，从而提高检测结果的准确率。

为了解决上述技术问题，第一方面，本发明实施例提供一种基于软标签的目标检测样本平衡方法，包括：

获取输入图像的目标的个数以及候选框的个数；

计算每一个目标与每一个候选框的第一IOU值；

对所述第一IOU值按列取最大值，得到第二IOU值，并获取所述第二IOU值在所述第一IOU值中的行索引值；

对每一个目标，从所述行索引值中获取负责该目标的所有目标候选框，基于软标签获取每一个目标候选框的标签值；

根据每一个目标候选框的标签值以及预先构建的损失函数获取每一个目标候选框的预测概率；