面向深度学习目标检测模型训练不平衡研究

目标检测作为计算机视觉的任务之一已经成为研究热点问题。目前,基于深度学习的目标检测算法层出不穷,但大多数情况下学者只关心它们的模型架构,而忽视了其训练过程。目标检测网络在训练过程中会存在明显的不平衡问题,导致模型检测性能降低,不能达到预期的最佳效果。不平衡问题主要包括两个层次,分别是特征图层次和目标函数层次。为了能够充分发挥目标检测模型架构的潜力,实现更好的训练过程,提出利用Balanced Feature Pyramid和Balanced L_(1) Loss两个模块,同时将它们加入到基于ResNet-50-FPN的Faster R-CNN中,目的是解决Faster R-CNN模型在训练过程中存在的特征图层次和目标函数层次的不平衡问题。通过在MSCOCO数据集上验证,实验结果表明平衡后的模型可达到AP是38.5%的结果,比原Faster R-CNN目标检测模型提高了1.1个百分点。

面向Anchor-Based单阶段目标检测算法的精度提升研究

在基于深度学习的目标检测领域,借助图像特征提取技术的进步,可以使用锚框在图像的不同位置生成边框,通过提取边框区域特征进行边框位置回归。在实际训练过程中,发现基于anchor的单阶段检测方法存在精度不足的问题,经过分析总结将问题划分为3类:样本分类不均衡;目标检测多尺度;优化目标与推论不一致。经过研究近年来的相关论文,归纳上述问题的有效解决办法,并且对同一类问题的解决办法进行对比分析,梳理出不同场景下的有效处理策略,同时为优化模型提供一定的解决思路。