[发明专利]一种anchor-free算法转换为anchor-based算法的方法及系统

说明书

本发明公开了一种anchor‑free算法转换为anchor‑based算法的方法及系统，该方法包括：步骤1：计算anchor‑free算法中所有grid信息，以及获取anchor‑free算法的预测值；步骤2：根据anchor‑based算法生成anchor的具体规则，生成与anchor‑free算法中grid的形状及数量相同的anchor；步骤3：根据anchor‑free算法的grid预测值和anchor‑based算法的anchor预测值，建立anchor‑free算法转换为anchor‑based算法的转换关系；步骤4：根据所述转换关系，在神经网络中设置相应的层，实现将anchor‑free预测值转换为anchor‑based预测值。本发明能够更快捷地部署anchor‑free算法，将anchor‑free算法与anchor‑based算法统一成一套操作，便于后续应用使用。

技术领域

本发明涉及图像处理技术领域，特别是一种anchor-free算法转换为anchor-based算法的方法及系统。

背景技术

在图像处理领域，目标检测一直是研究最多和应用最广的分支方向。在传统图像算法中，利用滑窗技术、支持向量机等手段去找到目标的位置。以RCNN为起点，深度学习技术在目标检测方向也产生了巨大的影响。

目标检测领域中的深度学习技术，从不同的角度可以分为不同类型：从模型结构的角度，分为一阶段算法和二阶段算法；从是否基于锚框的角度，分为anchor-based的算法和anchor-free的算法等。anchor-based算法是指先在图像上设定一系列形状各异、固定大小的先验框(anchor或说priorbox，以下统称anchor)，由这些框去预测目标的位置和类别，例如RCNN系列、SSD、Retina、YOLOv3等；anchor-free算法是指不设定先验框，直接在特征图上预测目标的位置和类别，例如FCOS、CenterNet等。

anchor-based算法和anchor-free算法各有优劣，往往针对不同场景特点可以选择不同的算法。但是，在模型部署阶段，不同设备端框架对两种算法的支持性不同、两种算法的后处理截然不同。鉴于anchor-based算法应用较早，大多设备端框架支持anchor-based算法的直接部署，而不支持anchor-free算法的部署。因此，把anchor-free算法转换为anchor-based算法，可以打通两者之间的差异，方便在各种情况下统一处理。

发明内容

鉴于此，本发明提供一种anchor-free算法转换为anchor-based算法的方法及系统，能够更快捷地部署anchor-free算法，将anchor-free算法与anchor-based算法统一成一套操作，便于后续应用使用。

本发明公开了一种anchor-free算法转换为anchor-based算法的方法，其包括：

步骤1：计算anchor-free算法中所有grid信息，以及获取anchor-free算法的预测值；

步骤2：根据anchor-based算法生成anchor的具体规则，生成与anchor-free算法中grid的形状及数量相同的anchor；

步骤3：根据anchor-free算法的grid预测值和anchor-based算法的anchor预测值，建立anchor-free算法转换为anchor-based算法的转换关系；

步骤4：根据所述转换关系，在神经网络中设置相应的层，实现将anchor-free预测值转换为anchor-based预测值。

可选的，所述计算anchor-free算法中所有grid信息，包括：

用于预测物体的特征图，其下采样倍数在其对应的原图中平铺即为grid。

可选的，所述获取anchor-free算法的预测值，包括：