[发明专利]长尾目标检测方法及装置

权利要求书

1.一种长尾目标检测方法，其特征在于，所述方法包括：

获取包含待检测目标的待检测图片；

将所述待检测图片输入到预置的长尾目标检测模型进行目标检测，得到所述待检测目标的类别和位置，其中，所述长尾目标检测模型采用不同类别的样本数据基于初始目标检测模型和类别均衡焦点损失函数经过特征提取、以得到不同感受野为目的的特征融合和目标检测过程训练得到，所述类别均衡焦点损失函数对不同类别的样本数据使用不同的类别均衡参数。

2.根据权利要求1所述的方法，其特征在于，所述长尾目标检测模型的训练方法包括：

将不同类别的样本数据输入到初始目标检测模型的主干网络进行特征提取，得到主干输出特征图；

将所述主干输出特征图输入到所述初始目标检测模型的颈部网络进行特征融合，得到感受野不同的特征图组成的中间特征图组；

将所述中间特征图组输入到所述初始目标检测模型的头部网络进行目标检测，得到所述样本数据的预测结果；

根据所述预测结果和所述类别均衡焦点损失函数对所述初始目标检测模型进行训练，直到所述初始目标检测模型收敛，得到所述长尾目标检测模型，其中，所述类别均衡焦点损失函数与正负样本指数、难易均衡参数和所述类别均衡参数相关。

3.根据权利要求2所述的方法，其特征在于，所述主干网络包括跨阶段局部网络结构的特征提取网络。

4.根据权利要求2所述的方法，其特征在于，所述颈部网络包括采用特征聚合策略的特征金字塔网络。

5.根据权利要求2所述的方法，其特征在于，所述头部网络包括用于将分类和回归两部分进行整合的解耦头结构。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述类别均衡参数与当前类别的负样本数与全部类别的负样本数的比值线性相关。

7.根据权利要求6任一项所述的方法，所述类别均衡焦点损失函数包括以下公式：

FLB(p)＝-α(1-p)^γilog(p)

其中，i为当前类别的序号，n_j是类别j的负样本数，C为全部类别的数量，p是当前目标属于所述当前类别的概率，β为超参数。

8.一种长尾目标检测装置，其特征在于，所述装置包括：

获取模块，用于获取包含待检测目标的待检测图片；

检测模块，用于将所述待检测图片输入到预置的长尾目标检测模型进行目标检测，得到所述待检测目标的类别和位置，其中，所述长尾目标检测模型采用不同类别的样本数据基于初始目标检测模型和类别均衡焦点损失函数经过特征提取、以得到不同感受野为目的的特征融合和目标检测过程训练得到，所述类别均衡焦点损失函数对不同类别的样本数据使用不同的类别均衡参数。

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并且可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述方法的步骤。