CN114266940B 基于动态标签分配的图像目标检测方法及装置 （中山大学）

基于动态标签分配的图像目标检测方法及本发明公开了一种基于动态标签分配的图检测模型能够在避免人工后处理带来的问题的2在代价矩阵对每个boundingbox的代价计算过程中，根据每个bound在代价矩阵对每个boundingbox的代价计算过程中，根据每个bound模型中选择验证精度最高的模型作为最优目标3.根据权利要求1所述基于动态标签分配的图将端到端目标检测模型的backbone部分加载预训练权重，得到预训练采用AdamW优化方法和多阶段学习率调整策略对预训练后的端到端目标检测模型进行在每轮迭代中利用验证图像集对端到端目标检测模型进行精度35.一种基于动态标签分配的图像目标检测采用权利要求1至4任一项所述方法对图像目标模型构建模块，用于对基于SparseRCNN网络的端到端目标检测模型模型训练模块，用于利用训练图像集迭代训练改进后的端到端目标检到端目标检测模型中选择验证精度最高的模型作为最优目标4出现检测性能下降的问题。一对一标签匹配的目标检测方法又因其不需要NMS后处理被称检测方法可以在避免由NMS带来的弊端。然而端到端目标检测方法标签匹配仍采用固定标检测模型中选择验证精度最高的模型作为最优目5[0013]采用AdamW优化方法和多阶段学习率调整策略对预训练后的端到端目标检测模型练后的端到端目标检测模型中选择验证精度最高的模型作为ggb为boundingbox的横坐标(具体为与ground-truth对应的横坐标)，wg为ground-gg述图像目标检测装置采用上述方法对图像目标6的端到端目标检测模型中选择验证精度最高的模型作为最[0035]图4为本发明实施例中端到端目标检测模型在改进前后的第一组检测结果对比示[0036]图5为本发明实施例中端到端目标检测模型在改进前后的第二组检测结果对比示7[0044]如图1所示为本实施例公开的一种基于动态标签分配的图像目标检测方法，适用检测模型中选择验证精度最高的模型作为最优目图像集不进行图像翻转处理。该预处理过程不仅能够保证训练图像的尺寸等参数符合要8的有效特征分别是C2到C5，第二部分加强特征提取网络的功能是进行加强特征提取并对三部分的预测网络则是六个串行的SparseRCNNHeads，第一个SparseRCNNHead利用初始化SparseRCNNHead均利用前一个SparseRCNNHead预测的位置信息计算boundingboxes对P2到P5进行提取特征，然后将预测结果提供给下一个SparseRCNNHead，直到最后一个ggb为boundingbox的横坐标(具体为与ground-truth对应的横坐标)，wg为ground-gg不同训练阶段得到合适的样本进行训练，在不增加参数量和基本不增加计算量的情况下，9[0058]采用AdamW优化方法和多阶段学习率调整策略对预训练后的端到端目标检测模型从所有训练后的端到端目标检测模型中选择验证精度最高的模型作为最优目标检测模型，于加载预训练权重的目标检测模型采用AdamW优化方法和多阶段学习率调整策略进行训[0061]backbone参数用于指定所用的主干特征提取网络，主要设置为返回特征为[0,1,[0067]如图3所示为本实施例公开的一种基于动态标签分配的图像目标检测装置，适用[0068]作为示例性地，图像处理模块对标注有待检测目标的图的遥感图像中提取机场飞机图像，采用labelImg标注工具标注飞机图像中的待检测目标，翻转和图像像素的归一化等预处理，按比例7比3分别收集到训练图像集和验证图像集中，结构如图2所示，可分为三个部分，分别是主干特征提取网络backbone(对应图2上的ResNet50)、加强特征提取网络(对应图2上的FPN)和预测网络(对应图2上的个特征分别是P2到P5。第三部分的预测网络则是六个串行的SparseRCNNHeads，第一个SparseRCNNHead利用初始化的boundingboxes对P2到P5进行提取特征然后进行类别和位息计算boundingboxes对P2到P5进行提取特征，然后将预测结果提供给下一个ggb为boundingbox的横坐标(具体为与ground-truth对应的横坐标)，wg为ground-gg[0077]采用AdamW优化方法和多阶段学习率调整策略对预训练后的端到端目标检测模型从所有训练后的端到端目标检测模型中选择验证精度最高的模型作为最优目标检测模型，[0079]作为示例地，模型训练模块对端到端目标检测模型的训练过程为：加载在用训练图像集对于加载预训练权重的目标检测模型采用AdamW优化方法和多阶段学习率调[0080]backbone参数用于指定所用的主干特征提取网络，主要设置为返回特征为[0,1,[0085]