[发明专利]基于改进的自适应Anchor生成的DK-YOLOv4模型

说明书

传统的自适应Anchor生成方法中，对于目标检测框出现宽高比极端变化的情况，会造成的参数过多、收敛慢、不能有效体现目标真实框的宽高比分布进而严重影响小目标检测精度的问题，提出了一种提出了基于改进的自适应Anchor生成的DK‑YOLOv4目标检测模型。

技术领域

本发明目标检测技术领域，具体涉及到一种基于改进的自适应Anchor生成的DK-YOLOv4模型。

背景技术

Anchor机制是大多数目标检测算法中不可或缺的一环，其主要是对数据集中的样本真实边界框进行聚类或其他方式生成的一种预测边界框参考值，通过设置预定义的先验框可以很好的来表示待检测目标的原始状态，得到更合理的数据样本边界框潜在分布。高质量的Anchor在小目标检测和后处理预测过程中可以起到优化调节作用。针对目标检测框宽高比极端变化问题，提出一种基于改进的自适应Anchor生成算法并结合YOLOv4目标检测模型得到该发明的DK-YOLOv4模型。

发明内容

本发明旨在发明一种基于改进的自适应Anchor生成算法。

该算法的输入包括：真实框GT的数量Box＝{1,2,3…NP}，gt_wh为训练数据中的所有真实框的宽高，thr设置为宽高比的阈值，T设置为最佳可能召回率BPR的下限阈值，输出一个最优的自适应Anchor个体集合，本发明包括如下的技术方案：

(1)基于K-means++聚类自适应Anchor生成算法

输入：真实框GT的数量Box＝{1,2,3…N}，Anchor聚类中心数量i，代表每一个真实框被选为下个聚类核心的概率区间

输出：K个自适应Anchor

1：从Box＝{1,2,3…N}中随机选取一个边界框作为初始聚类中心C1；

2：迭代选出剩下的K-1个聚类中心

for i in range(k-1)

3://每个边界框到聚类中心的距离

4:Sum_min_distance＝min(SUM(distance_Box))

5:P＝1-IoU_B,C//真实框和聚类中心IoU越大，距离越短；

6:P＝P+Sum_distance//越大该边界框作为下一个聚类中心的概率越大；

7：end for

8:将迭代选出K个边界框作为初始Anchor聚类中心C＝{C₁,C₂,....C_K}；

9：迭代选出最终的K个自适应Anchor

10：for j in range(Box)

11:对于所有真实框，用IoU作为Anchor框和边界框的度量，将其中任意边界框分派给与其距离最小的Anchor框；

12：计算每个聚类簇中所有真实目标框宽和高的均值，更新Anchor；

13：end for

14：end for

(2)基于差分进化的自适应Anchor生成算法

输入：真实框GT的数量i＝{1,2,3,…NP}，变量维度D，rand是[0,1]之间的随机数，j_rand是[1,D]之间的随机数，CR是交叉概率，F是缩放因子。

输出：最优的自适应Anchor个体集合X_i