[go: up one dir, main page]

CN111368878B - 一种基于ssd目标检测的优化方法、计算机设备和介质 - Google Patents

一种基于ssd目标检测的优化方法、计算机设备和介质 Download PDF

Info

Publication number
CN111368878B
CN111368878B CN202010093422.3A CN202010093422A CN111368878B CN 111368878 B CN111368878 B CN 111368878B CN 202010093422 A CN202010093422 A CN 202010093422A CN 111368878 B CN111368878 B CN 111368878B
Authority
CN
China
Prior art keywords
negative sample
sample candidate
frame
loss function
box
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202010093422.3A
Other languages
English (en)
Other versions
CN111368878A (zh
Inventor
雷青
郭睿
王震
许程
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Electronic System Engineering
Original Assignee
Beijing Institute of Electronic System Engineering
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Electronic System Engineering filed Critical Beijing Institute of Electronic System Engineering
Priority to CN202010093422.3A priority Critical patent/CN111368878B/zh
Publication of CN111368878A publication Critical patent/CN111368878A/zh
Application granted granted Critical
Publication of CN111368878B publication Critical patent/CN111368878B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于SSD目标检测的优化方法、计算机可读存储介质和计算机设备，所述优化方法包括：将训练图像输入目标检测网络并获取多个候选框；分别将各候选框与预设置的样本真值框进行比较以获取正样本候选框和负样本候选框；分别计算各负样本候选框的分类概率；根据各负样本候选框的分类概率计算该负样本候选框的第一损失函数值和第二损失函数值；根据负样本候选框的第一损失函数值获取预设数量的第一负样本候选框；根据负样本候选框的第二损失函数值获取预设数量的第二负样本候选框；根据正样本候选框、第一负样本候选框和第二负样本候选框优化所述目标检测网络。本发明提供的实施例能够有效降低目标检测网络的分类损失函数的误检率。

Description

一种基于SSD目标检测的优化方法、计算机设备和介质
技术领域
本发明涉及SSD目标检测领域，特别是涉及一种基于SSD目标检测的优化方法、计算机可读存储介质和计算机设备。
背景技术
随着第三波人工智能的飞速发展，各种基于深度学习目标检测网络的优化方法不断出现。在目标检测应用中，目标检测的损失函数一般包括定位损失函数和分类损失函数，现有技术中的分类损失函数多采用softmaxloss损失函数和focalloss损失函数。然而在实际应用中发现，现有目标检测网络中存在一定比例的误检率，降低了目标检测的准确率。
发明内容
为了解决上述问题，本发明第一个实施例提供一种基于SSD目标检测的优化方法，包括：
将训练图像输入SSD目标检测网络并获取多个候选框；
分别将各所述候选框与预设置的样本真值框进行比较以获取正样本候选框和负样本候选框；
分别计算各所述负样本候选框的分类概率；
根据各所述负样本候选框的分类概率计算该负样本候选框的第一损失函数值和第二损失函数值；
根据所述负样本候选框的第一损失函数值获取预设数量的第一负样本候选框；
根据所述负样本候选框的第二损失函数值获取预设数量的第二负样本候选框；
根据所述正样本候选框、第一负样本候选框和第二负样本候选框使用梯度优化方法优化所述SSD目标检测网络。
进一步的，所述负样本候选框的分类概率为：
Figure BDA0002384470810000011
其中，j为分类类别，aj为j分类类别的的样本输入值，T为分类个数，ak为各分类类别的的样本输入值。
进一步的，所述负样本候选框的第一损失函数值为：
Figure BDA0002384470810000021
其中，j为分类类别，yj表示所述负样本候选框是否属于类别j，若属于则yj＝1，否则yj＝0。
进一步的，所述负样本候选框的第二损失函数值为：
L′＝max(Sj)-S0
其中，Sj为所述负样本候选框的分类概率，j>0，S0为所述负样本候选框为预设类别的分类概率。
进一步的，所述根据所述负样本候选框的第一损失函数值获取预设数量的第一负样本候选框进一步包括：
对各所述负样本候选框进行NMS筛选以删除冗余的负样本候选框；
根据筛选后的各所述负样本候选框的第一损失函数值进行排序并按照排序顺序选取预设数量的第一负样本候选框。
进一步的，所述根据所述负样本候选框的第二损失函数值获取预设数量的第二负样本候选框进一步包括：
对各所述负样本候选框进行NMS筛选以删除冗余的负样本候选框；
根据筛选后的各所述负样本候选框的第二损失函数值进行排序并按照排序顺序选取预设数量的第二负样本候选框。
进一步的，所述分别将各所述候选框与预设置的样本真值框进行比较以获取正样本候选框和负样本候选框进一步包括：
分别将各所述候选框与预设置的样本真值框进行比较并输出比较结果；
判断所述比较结果是否大于预设重合阈值，若大于则为正样本候选框，否则为负样本候选框。
进一步的，所述正样本候选框的数量、第一负样本候选框的数量和第二负样本候选框的数量的比例为：1:1.5:1.5。
本发明第二个实施例提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一个实施例所述的方法。
本发明第三个实施例提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一个实施例所述的方法。
本发明的有益效果如下：
本发明针对目前现有的问题，制定一种基于SSD目标检测的优化方法、计算机可读存储介质和计算机设备，通过计算各负样本候选框的分类概率、第一损失函数值和第二损失函数值，再通过各负样本候选框的第一损失函数值和第二损失函数值获取第一负样本候选框和第一负样本候选框，并根据正样本候选框、第一负样本候选框和第二负样本候选框使用梯度优化方法优化所述SSD目标检测网络，从而弥补了现有技术中存在的问题，有效降低分类损失函数的误检率、提高SSD目标检测网络的召回率和准确率，具有广泛的应用前景。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1示出本发明的一个实施例所述优化方法的流程图；
图2示出本发明的一个实施例所述训练图像的示意图；
图3示出本发明的另一个实施例所述的一种计算机设备的结构示意图。
具体实施方式
为了更清楚地说明本发明，下面结合优选实施例和附图对本发明做进一步的说明。附图中相似的部件以相同的附图标记进行表示。本领域技术人员应当理解，下面所具体描述的内容是说明性的而非限制性的，不应以此限制本发明的保护范围。
如图1所示，本发明的一个实施例提供了一种基于SSD目标检测的优化方法，包括：将训练图像输入SSD目标检测网络并获取多个候选框；分别将各所述候选框与预设置的样本真值框进行比较以获取正样本候选框和负样本候选框；分别计算各所述负样本候选框的分类概率；根据各所述负样本候选框的分类概率计算该负样本候选框的第一损失函数值和第二损失函数值；根据所述负样本候选框的第一损失函数值获取预设数量的第一负样本候选框；根据所述负样本候选框的第二损失函数值获取预设数量的第二负样本候选框；根据所述正样本候选框、第一负样本候选框和第二负样本候选框使用梯度优化方法优化所述SSD目标检测网络。
在一个具体的示例中，如图2所示，对训练图像进行目标检测，步骤如下：
第一步，将训练图像输入SSD目标检测网络并获取多个候选框。
在本实施例中，如图2所示，训练图像经SSD目标检测网络生成大量的候选框，并对各候选框进行目标识别并分类。
值得说明的是，本申请也可以对视频进行处理，例如将视频截取为多个图像帧，将图像帧输入SSD目标检测网络进行目标检测。
第二步，分别将各所述候选框与预设置的样本真值框进行比较以获取正样本候选框和负样本候选框。
在本实施例中，预先向所述SSD目标检测网络输入包含检测目标的样本真值图像，并根据所述样本真值图像获取样本真值框，将获取的多个候选框与预设置的样本真值图像的样本真值框进行比对，从而获取正样本候选框和负样本候选框。
在一个可选的实施例中，具体包括：
分别将各所述候选框与预设置的样本真值框进行比较并输出比较结果。
在本实施例中，分别将每个候选框与所述样本真值框进行比对，计算候选框与样本真值框的相似度。
判断所述比较结果是否大于预设重合阈值，若大于则为正样本候选框，否则为负样本候选框。
在本实施例中，所述重合阈值为0.4，若所述候选框与样本真值框的重合度大于0.4则设置该候选框为正样本候选框，例如图2中所述的候选框1与预设置的“狗”的样本真值框的相似度大于0.4则确定为正样本候选框；反之，若所述候选框与样本真值框的相似度小于0.4则设置该候选框为负样本候选框，例如图2中所述的候选框2与预设置的“狗”的样本真值框的相似度小于0.4则确定为负样本候选框，例如图2中所述的候选框3与预设置的“狗”的样本真值框的重合度小于0.4则确定为负样本候选框。
值得说明的是，所述重合阈值越大则目标检测的准确率越高，但也会减少正样本候选框数量，本领域技术人员应当根据实际应用需求选择适当的重合阈值，以实现目标检测为设计准则，在此不再赘述。
第三步，分别计算各所述负样本候选框的分类概率。
在本实施例中，针对获取的负样本候选框进行处理，考虑到将负样本候选框用于训练任务，若负样本候选框过多则会导致目标检测网络的损失函数过大，导致出现误检率，同时降低所述目标检测网络的召回率和准确率。
为避免该问题，计算每个负样本候选框的分类概率，具体为：
Figure BDA0002384470810000051
其中，j为分类类别，aj为j分类类别的的样本输入值，T为分类个数，j的取值范围为0到T，ak为各分类类别的的样本输入值。
在本实施例中，所述分类类别包括“背景”、“狗”、“猫”、“鸡”和“兔”，即T为5，j分别为“背景”、“狗”、“猫”、“鸡”和“兔”，则图2所示的候选框2的各分类概率Sj为[0.2,0.3,0.3,0.1,0.1]，则图2所示的候选框3的各分类概率Sj为[0.29,0.59,0.1,0.01,0.01]。
第四步，根据各所述负样本候选框的分类概率计算该负样本候选框的第一损失函数值和第二损失函数值。
在本实施例中，针对计算出的各负样本候选框的分类概率，分别使用第一损失函数计算各负样本候选框的第一损失函数值。
具体的，通过第一损失函数softmaxloss计算各负样本候选框的第一损失函数值softmaxloss值：
Figure BDA0002384470810000052
其中，j为分类类别，yj表示所述负样本候选框是否属于类别j，若属于则yj＝1，否则yj＝0。
在本实施例中，图2所示的候选框2为“背景”的第一损失函数值为-log0.2，图2所示的候选框3为“背景”的第一损失函数值为-log0.29，则候选框2的第一损失函数值大于候选框3的第一损失函数值。
在本实施例中，针对计算出的各负样本候选框的分类概率，分别使用第二损失函数计算各负样本候选框的第二损失函数值。
具体的，通过第二损失函数softmax计算各负样本候选框的第二损失函数值softmax类间损失值：
L′＝max(Sj)-S0
其中，Sj为所述负样本候选框的分类概率，S0为所述负样本候选框为预设类别的分类概率。
在本实施例中，所述预设类别即为负样本类别的背景类别，即S0为负样本候选框的背景类别的分类概率。具体的，图2所示的候选框2为“背景”的第二损失函数值为0.1(即0.3-0.2)，图2所示的候选框3为“背景”的第二损失函数值为0.2(即0.5-0.3，则候选框3的第二损失函数值大于候选框2的第一损失函数值，因此，通过使用第二损失函数计算负样本候选框，候选框3以更高的类间损失(第二类损失函数值)被选中优化神经网络参数，能够有效降低分类损失函数的误检率，从而提高目标检测的召回率和准确率。
第五步，根据所述负样本候选框的第一损失函数值获取预设数量的第一负样本候选框。
在本实施例中，通过第一损失函数值获取第一负样本候选框，具体包括：
对各所述负样本候选框进行NMS筛选以删除冗余的负样本候选框。
在本实施例中，通过NMS操作(non-maximum suppression非极大值抑制)对各所述负样本候选框进行筛选，即删除掉所述负样本候选框中重合度过高的负样本框，仅保留一个负样本候选框，以优化所述SSD目标检测网络。
根据筛选后的各所述负样本候选框的第一损失函数值进行排序并按照排序顺序选取预设数量的第一负样本候选框。
在本实施例中，将筛选剩余的各所述负样本候选框，根据第一损失函数值进行排序，选取排序靠前的预设数量的负样本候选框作为第一负样本候选框。
第六步，根据所述负样本候选框的第二损失函数值获取预设数量的第二负样本候选框。
在本实施例中，同时通过第二损失函数值获取第一负样本候选框，具体包括：
对各所述负样本候选框进行NMS筛选以删除冗余的负样本候选框。
在本实施例中，通过NMS操作(non-maximum suppression非极大值抑制)对各所述负样本候选框进行筛选，即删除掉所述负样本候选框中重合度过高的负样本框，仅保留一个负样本候选框，以优化所述SSD目标检测网络。
根据筛选后的各所述负样本候选框的第二损失函数值进行排序并按照排序顺序选取预设数量的第二负样本候选框。
在本实施例中，将筛选剩余的各所述负样本候选框，根据第二损失函数值进行排序，选取排序靠前的预设数量的负样本候选框作为第二负样本候选框。
值得说明的是，考虑到选取出的正样本候选框的数量，按照1:3的比例选择负样本候选框，本申请通过同时使用第一损失函数和第二损失函数确定负样本候选框，所述第一负样本候选框的数量和第二负样本候选框的数量的比例为1:1，即所述正样本候选框的数量、第一负样本候选框的数量和第二负样本候选框的数量的比例为1:1.5:1.5，从而弥补了现有技术中存在的问题，有效降低分类损失函数的误检率、提高SSD目标检测网络的召回率和准确率。本领域技术人员应当根据实际应用需求选择适当的比例，以实现目标检测的目的为设计准则，在此不再赘述。
最后，根据所述正样本候选框、第一负样本候选框和第二负样本候选框使用梯度优化方法优化所述SSD目标检测网络。
在本实施例中，选择mini-SGD来进行梯度优化。
至此，完成对训练图像的SSD目标检测。
本发明的另一个实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现：将训练图像输入SSD目标检测网络并获取多个候选框；分别将各所述候选框与预设置的样本真值框进行比较以获取正样本候选框和负样本候选框；分别计算各所述负样本候选框的分类概率；根据各所述负样本候选框的分类概率计算该负样本候选框的第一损失函数值和第二损失函数值；根据所述负样本候选框的第一损失函数值获取预设数量的第一负样本候选框；根据所述负样本候选框的第二损失函数值获取预设数量的第二负样本候选框；根据所述正样本候选框、第一负样本候选框和第二负样本候选框使用梯度优化方法优化所述SSD目标检测网络。
在实际应用中，所述计算机可读存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
如图3所示，本发明的另一个实施例提供的一种计算机设备的结构示意图。图3显示的计算机设备12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图3所示，计算机设备12以通用计算设备的形式表现。计算机设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图3中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机设备12交互的设备通信，和/或与使得该计算机设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图3所示，网络适配器20通过总线18与计算机设备12的其它模块通信。应当明白，尽管图3中未示出，可以结合计算机设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理器单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现本发明实施例所提供的一种基于SSD目标检测的优化方法。
本发明针对目前现有的问题，制定一种基于SSD目标检测的优化方法、计算机可读存储介质和计算机设备，通过计算各负样本候选框的分类概率、第一损失函数值和第二损失函数值，再通过各负样本候选框的第一损失函数值和第二损失函数值获取第一负样本候选框和第一负样本候选框，并根据正样本候选框、第一负样本候选框和第二负样本候选框使用梯度优化方法优化所述SSD目标检测网络，从而弥补了现有技术中存在的问题，有效降低分类损失函数的误检率，从而提高SSD目标检测网络的召回率和准确率，具有广泛的应用前景。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定，对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无法对所有的实施方式予以穷举，凡是属于本发明的技术方案所引伸出的显而易见的变化或变动仍处于本发明的保护范围之列。

Claims (7)

1.一种基于SSD目标检测的优化方法，其特征在于，包括：
将训练图像输入SSD目标检测网络并获取多个候选框；
分别将各所述候选框与预设置的样本真值框进行比较以获取正样本候选框和负样本候选框；
分别计算各所述负样本候选框的分类概率；
根据各所述负样本候选框的分类概率计算该负样本候选框的第一损失函数值和第二损失函数值；
根据所述负样本候选框的第一损失函数值获取预设数量的第一负样本候选框；
根据所述负样本候选框的第二损失函数值获取预设数量的第二负样本候选框；
根据所述正样本候选框、第一负样本候选框和第二负样本候选框使用梯度优化方法优化所述SSD目标检测网络；
所述负样本候选框的分类概率为：
Figure FDA0003998725340000011
其中，j为分类类别，aj为j分类类别的样本输入值，T为分类个数，ak为各分类类别的样本输入值；
所述负样本候选框的第一损失函数值为：
Figure FDA0003998725340000012
其中，j为分类类别，yj表示所述负样本候选框是否属于类别j，若属于则yj＝1，否则yj＝0；
所述负样本候选框的第二损失函数值为：
L′＝max(Sj)-S0
其中，Sj为所述负样本候选框的分类概率，j>0，S0为所述负样本候选框为预设类别的分类概率。
2.根据权利要求1所述的优化方法，其特征在于，所述根据所述负样本候选框的第一损失函数值获取预设数量的第一负样本候选框进一步包括：
对各所述负样本候选框进行NMS筛选以删除冗余的负样本候选框；
根据筛选后的各所述负样本候选框的第一损失函数值进行排序并按照排序顺序选取预设数量的第一负样本候选框。
3.根据权利要求1所述的优化方法，其特征在于，所述根据所述负样本候选框的第二损失函数值获取预设数量的第二负样本候选框进一步包括：
对各所述负样本候选框进行NMS筛选以删除冗余的负样本候选框；
根据筛选后的各所述负样本候选框的第二损失函数值进行排序并按照排序顺序选取预设数量的第二负样本候选框。
4.根据权利要求1所述的优化方法，其特征在于，所述分别将各所述候选框与预设置的样本真值框进行比较以获取正样本候选框和负样本候选框进一步包括：
分别将各所述候选框与预设置的样本真值框进行比较并输出比较结果；
判断所述比较结果是否大于预设重合阈值，若大于则为正样本候选框，否则为负样本候选框。
5.根据权利要求1所述的优化方法，其特征在于，所述正样本候选框的数量、第一负样本候选框的数量和第二负样本候选框的数量的比例为：1:1.5:1.5。
6.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-5中任一项所述的方法。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-5中任一项所述的方法。
CN202010093422.3A 2020-02-14 2020-02-14 一种基于ssd目标检测的优化方法、计算机设备和介质 Active CN111368878B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010093422.3A CN111368878B (zh) 2020-02-14 2020-02-14 一种基于ssd目标检测的优化方法、计算机设备和介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010093422.3A CN111368878B (zh) 2020-02-14 2020-02-14 一种基于ssd目标检测的优化方法、计算机设备和介质

Publications (2)

Publication Number Publication Date
CN111368878A CN111368878A (zh) 2020-07-03
CN111368878B true CN111368878B (zh) 2023-02-28

Family

ID=71212495

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010093422.3A Active CN111368878B (zh) 2020-02-14 2020-02-14 一种基于ssd目标检测的优化方法、计算机设备和介质

Country Status (1)

Country Link
CN (1) CN111368878B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112507787B (zh) * 2020-11-03 2022-08-05 北京深睿博联科技有限责任公司 基于正样本筛选视障人员障碍物的目标检测方法及装置
CN112597994B (zh) * 2020-11-30 2024-04-30 北京迈格威科技有限公司 候选框处理方法、装置、设备及介质
CN112766181B (zh) * 2021-01-22 2022-09-23 电子科技大学 一种提高线图识别准确率的方法
CN112906823B (zh) * 2021-03-29 2022-07-05 苏州科达科技股份有限公司 目标对象识别模型训练方法、识别方法及识别装置
CN116310656B (zh) * 2023-05-11 2023-08-15 福瑞泰克智能系统有限公司 训练样本确定方法、装置和计算机设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108304820A (zh) * 2018-02-12 2018-07-20 腾讯科技（深圳）有限公司 一种人脸检测方法、装置及终端设备
WO2018137357A1 (zh) * 2017-01-24 2018-08-02 北京大学 一种目标检测性能优化的方法
CN109409252A (zh) * 2018-10-09 2019-03-01 杭州电子科技大学 一种基于改进型ssd网络的车辆行人多目标检测方法
CN109919251A (zh) * 2019-03-21 2019-06-21 腾讯科技（深圳）有限公司 一种基于图像的目标检测方法、模型训练的方法及装置
CN110533022A (zh) * 2019-06-11 2019-12-03 广州海昇教育科技有限责任公司 一种目标检测方法、系统、装置及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7756313B2 (en) * 2005-11-14 2010-07-13 Siemens Medical Solutions Usa, Inc. System and method for computer aided detection via asymmetric cascade of sparse linear classifiers

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2018137357A1 (zh) * 2017-01-24 2018-08-02 北京大学 一种目标检测性能优化的方法
CN108304820A (zh) * 2018-02-12 2018-07-20 腾讯科技（深圳）有限公司 一种人脸检测方法、装置及终端设备
CN109409252A (zh) * 2018-10-09 2019-03-01 杭州电子科技大学 一种基于改进型ssd网络的车辆行人多目标检测方法
CN109919251A (zh) * 2019-03-21 2019-06-21 腾讯科技（深圳）有限公司 一种基于图像的目标检测方法、模型训练的方法及装置
CN110533022A (zh) * 2019-06-11 2019-12-03 广州海昇教育科技有限责任公司 一种目标检测方法、系统、装置及存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于卷积神经网络的实时行人检测方法;龚安等;《计算机系统应用》;20170915(第09期);第219-222页 *

Also Published As

Publication number Publication date
CN111368878A (zh) 2020-07-03

Similar Documents

Publication Publication Date Title
CN111368878B (zh) 一种基于ssd目标检测的优化方法、计算机设备和介质
CN111753863B (zh) 一种图像分类方法、装置、电子设备及存储介质
US11640551B2 (en) Method and apparatus for recommending sample data
CN113486178B (zh) 文本识别模型训练方法、文本识别方法、装置以及介质
EP3620982A1 (en) Sample processing method and device
CN109947924B (zh) 对话系统训练数据构建方法、装置、电子设备及存储介质
CN112906823B (zh) 目标对象识别模型训练方法、识别方法及识别装置
CN110188766B (zh) 基于卷积神经网络的图像主目标检测方法及装置
CN113434683B (zh) 文本分类方法、装置、介质及电子设备
CN114117017B (zh) 会话信息提取方法、系统、设备及存储介质
CN111311613A (zh) 图像分割模型训练方法、图像分割方法及装置
CN113762308A (zh) 分类模型的训练方法、分类方法、装置、介质及设备
CN113936232A (zh) 一种碎屏识别方法、装置、设备和存储介质
CN119810428B (zh) 轻量型实时目标检测方法、装置、服务器及存储介质
CN112149754B (zh) 一种信息的分类方法、装置、设备及存储介质
CN111291902B (zh) 后门样本的检测方法、装置和电子设备
CN113032564B (zh) 特征提取方法、装置、电子设备以及存储介质
CN113239883A (zh) 分类模型的训练方法、装置、电子设备以及存储介质
CN110781849A (zh) 一种图像处理方法、装置、设备及存储介质
CN111259932A (zh) 分类方法、介质、装置和计算设备
CN114882273A (zh) 应用于狭小空间的视觉识别方法、装置、设备和存储介质
CN110059180B (zh) 文章作者身份识别及评估模型训练方法、装置及存储介质
CN112507883A (zh) 人脸活体检测方法、系统、设备及存储介质
CN118691882A (zh) 分类模型的训练方法、分类方法、装置、设备和存储介质
CN114090650B (zh) 一种样本数据识别方法、装置、电子设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant