[发明专利]基于极值点特征增强的FCOS智能目标检测方法

说明书

本发明公开了一种基于极值点增强的FCOS智能目标检测方法，构建极值点特征增强FCOS检测器，检测器的检测头Head架构为讲FPN中输出都各层特征图输入到回归子网络和分类子网络，最终的总损失为定位损失、分类损失和极值点损失三者之和；通过建立的极值点特征增强FCOS检测器检测图像中的目标。本发明通过更有效的极值点边界特征提取策略来增强点特征并进一步提高目标检测性能。

技术领域

本发明涉及一种智能目标检测方法，特别是一种基于极值点特征增强的FCOS智能目标检测方法，属于人工智能计算机视觉领域。

背景技术

目标检测是人工智能计算机视觉中具有挑战性的任务，其要求算法针对图像中的每个目标预测具有类别标签的边界框。所有目前主流的检测器，如Faster R-CNN，SSD和YOLO系列算法等都依赖于一组预定义的锚框，长期以来人们一直认为锚框的使用是目标检测器成功的关键。尽管基于锚的检测器取得了巨大的成功，但是依然存在一些缺点：1、检测性能对尺寸，纵横比和锚框数量等超参数敏感。例如，在RetinaNet中，根据COCO基准，改变这些超参数会影响AP性能达到4％左右。因此，基于锚的检测器需要仔细调整超参数。2、即使经过精心设计，由于锚框的比例和纵横比保持固定，检测器难以处理具有较大形状变化的候选目标，特别是难以检测小目标。预定义的锚框也降低了检测器的泛化能力，因为在新的具有不同目标尺寸或纵横比的检测任务中需要重新设计锚框。3、为了实现高召回率，检测器需要在输入图像上密集地放置锚框(例如，在特征金字塔网络(FPN)中需在图像上放置超过180K的锚框)。大多数这些锚框在训练期间被标记为负样本，大量的负样本加剧了训练过程中正、负样本之间的不平衡。

如上所述，基于锚框的设计导致过多的超参数，通常需要仔细调整这些超参数才能获得良好的性能。除了上述锚形状的超参数之外，基于锚的检测器还需要其它超参数来将每个锚框标记为正样本，忽略样本或负样本。在以往的设计中，通常在锚框和标注框之间使用交并比(IOU)来标记它们(例如，如果其IOU在[0.5～1]之间则为正样本锚)。这些超参数对最终检测精度有很大影响，需要进行启发式调整。无锚检测器则通过消除锚框来减少超参数并降低复杂度。最近流行的无锚检测器是FCOS检测器，FCOS利用标注框中的所有点来预测边界框，并且通过“中心度”分支来抑制低质量预测框。通过消除预定义锚框，FCOS检测器完全避免了复杂的IOU计算，以及训练期间锚框和真实框之间的匹配计算，将总训练内存占用减少了2倍左右。此外FCOS避免了与锚框相关的所有超参数，这些参数通常对最终检测性能非常敏感，FCOS能够实现单阶段无锚检测，显著减少了设计超参数的数量，使检测器的训练变得简单直观。凭借唯一的后处理非最大抑制(NMS)，FCOS可以提高检测精度并优于以往基于锚的单阶段检测器。

尽管FCOS检测器显著减少了超参数并提升了检测精度，但在FCOS检测器的特征表示中，基于单点的特征表示缺乏整体目标的显式特征表示，需要进行特征增强。然而，从整个标注框中提取特征是不必要和多余的。

发明内容

本发明所要解决的技术内容是提供一种基于极值点特征增强的FCOS智能目标检测方法，通过更有效的极值点边界特征提取策略来进一步提高目标检测性能。

为解决上述技术问题，本发明所采用的技术方案是：

一种基于极值点特征增强的FCOS智能目标检测方法，其特征在于包含以下步骤：

步骤一：构建极值点特征增强FCOS检测器，检测器的检测头Head架构为讲FPN中输出都各层特征图输入到回归子网络和分类子网络，最终的总损失为定位损失、分类损失和极值点损失三者之和；

步骤二：通过步骤一建立的极值点特征增强FCOS检测器检测图像中的目标。

进一步地，所述回归子网络具体为