基于软标签和样本权重优化的Anchor Free目标检测算法

基于软标签和样本权重优化的Anchor Free目标检测算法

TP183; 与Anchor Based目标检测算法类似,基于特征点的Anchor Free目标检测算法也面临着在正负样本划分中存在模糊样本的问题,即根据特定阈值和特征点位置划分非正即负的训练样本,网络在对特征点位置处在临界值附近的样本进行训练时会产生较大的损失,使得网络将注意力过于集中在这些模糊样本上,降低了网络的整体检测性能.针对此情况,提出从软标签、损失函数和权重优化3个方面对基于特征点的Anchor Free目标检测算法进行改进,通过充分利用Center Ness参数来缓解模糊样本对网络性能的影响,提高目标检测的准确率.为证明所提方法的有效性,分别在经典的Pascal VOC数据集和M...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
Veröffentlicht in:计算机科学 2022, Vol.49 (8), p.157-164
Hauptverfasser: 王灿, 刘永坚, 解庆, 马艳春
Format: Artikel
Sprache:chi
Online-Zugang:Volltext
Tags: Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
container_end_page 164
container_issue 8
container_start_page 157
container_title 计算机科学
container_volume 49
creator 王灿
刘永坚
解庆
马艳春
description TP183; 与Anchor Based目标检测算法类似,基于特征点的Anchor Free目标检测算法也面临着在正负样本划分中存在模糊样本的问题,即根据特定阈值和特征点位置划分非正即负的训练样本,网络在对特征点位置处在临界值附近的样本进行训练时会产生较大的损失,使得网络将注意力过于集中在这些模糊样本上,降低了网络的整体检测性能.针对此情况,提出从软标签、损失函数和权重优化3个方面对基于特征点的Anchor Free目标检测算法进行改进,通过充分利用Center Ness参数来缓解模糊样本对网络性能的影响,提高目标检测的准确率.为证明所提方法的有效性,分别在经典的Pascal VOC数据集和M S CO-CO数据集上使用FCOS目标检测器进行对比实验,最终将检测器在Pascal VOC数据集上的mA P提升至82.16％(提升约1.31％),在M S COCO数据集上的A P50-95提升至35.8％(提升约1.3％).
format Article
fullrecord <record><control><sourceid>wanfang_jour</sourceid><recordid>TN_cdi_wanfang_journals_jsjkx202208020</recordid><sourceformat>XML</sourceformat><sourcesystem>PC</sourcesystem><wanfj_id>jsjkx202208020</wanfj_id><sourcerecordid>jsjkx202208020</sourcerecordid><originalsourceid>FETCH-wanfang_journals_jsjkx2022080203</originalsourceid><addsrcrecordid>eNpjYeA0NDAw0jU0No_gYOAtLs5MMjAyNjMBQkNOBpen83c92dX3Yu_6Zwvan6_d93RSz7MF25_NWfNsbvPL9t4ne2Y87Zn2fFaLY15yRn6RgltRaurz2euAap8tbni2tfv5uunPNk_lYWBNS8wpTuWF0twMam6uIc4euuWJeWmJeenxWfmlRXlAmfis4qzsCiMDIyMDCwMjA2OiFQIAF9VQiA</addsrcrecordid><sourcetype>Aggregation Database</sourcetype><iscdi>true</iscdi><recordtype>article</recordtype></control><display><type>article</type><title>基于软标签和样本权重优化的Anchor Free目标检测算法</title><source>DOAJ Directory of Open Access Journals</source><creator>王灿 ; 刘永坚 ; 解庆 ; 马艳春</creator><creatorcontrib>王灿 ; 刘永坚 ; 解庆 ; 马艳春</creatorcontrib><description>TP183; 与Anchor Based目标检测算法类似,基于特征点的Anchor Free目标检测算法也面临着在正负样本划分中存在模糊样本的问题,即根据特定阈值和特征点位置划分非正即负的训练样本,网络在对特征点位置处在临界值附近的样本进行训练时会产生较大的损失,使得网络将注意力过于集中在这些模糊样本上,降低了网络的整体检测性能.针对此情况,提出从软标签、损失函数和权重优化3个方面对基于特征点的Anchor Free目标检测算法进行改进,通过充分利用Center Ness参数来缓解模糊样本对网络性能的影响,提高目标检测的准确率.为证明所提方法的有效性,分别在经典的Pascal VOC数据集和M S CO-CO数据集上使用FCOS目标检测器进行对比实验,最终将检测器在Pascal VOC数据集上的mA P提升至82.16％(提升约1.31％),在M S COCO数据集上的A P50-95提升至35.8％(提升约1.3％).</description><identifier>ISSN: 1002-137X</identifier><language>chi</language><publisher>武汉理工大学计算机科学与技术学院 武汉430070</publisher><ispartof>计算机科学, 2022, Vol.49 (8), p.157-164</ispartof><rights>Copyright © Wanfang Data Co. Ltd. All Rights Reserved.</rights><woscitedreferencessubscribed>false</woscitedreferencessubscribed></display><links><openurl>$$Topenurl_article</openurl><openurlfulltext>$$Topenurlfull_article</openurlfulltext><thumbnail>$$Uhttp://www.wanfangdata.com.cn/images/PeriodicalImages/jsjkx/jsjkx.jpg</thumbnail><link.rule.ids>314,780,784,4024</link.rule.ids></links><search><creatorcontrib>王灿</creatorcontrib><creatorcontrib>刘永坚</creatorcontrib><creatorcontrib>解庆</creatorcontrib><creatorcontrib>马艳春</creatorcontrib><title>基于软标签和样本权重优化的Anchor Free目标检测算法</title><title>计算机科学</title><description>TP183; 与Anchor Based目标检测算法类似,基于特征点的Anchor Free目标检测算法也面临着在正负样本划分中存在模糊样本的问题,即根据特定阈值和特征点位置划分非正即负的训练样本,网络在对特征点位置处在临界值附近的样本进行训练时会产生较大的损失,使得网络将注意力过于集中在这些模糊样本上,降低了网络的整体检测性能.针对此情况,提出从软标签、损失函数和权重优化3个方面对基于特征点的Anchor Free目标检测算法进行改进,通过充分利用Center Ness参数来缓解模糊样本对网络性能的影响,提高目标检测的准确率.为证明所提方法的有效性,分别在经典的Pascal VOC数据集和M S CO-CO数据集上使用FCOS目标检测器进行对比实验,最终将检测器在Pascal VOC数据集上的mA P提升至82.16％(提升约1.31％),在M S COCO数据集上的A P50-95提升至35.8％(提升约1.3％).</description><issn>1002-137X</issn><fulltext>true</fulltext><rsrctype>article</rsrctype><creationdate>2022</creationdate><recordtype>article</recordtype><recordid>eNpjYeA0NDAw0jU0No_gYOAtLs5MMjAyNjMBQkNOBpen83c92dX3Yu_6Zwvan6_d93RSz7MF25_NWfNsbvPL9t4ne2Y87Zn2fFaLY15yRn6RgltRaurz2euAap8tbni2tfv5uunPNk_lYWBNS8wpTuWF0twMam6uIc4euuWJeWmJeenxWfmlRXlAmfis4qzsCiMDIyMDCwMjA2OiFQIAF9VQiA</recordid><startdate>2022</startdate><enddate>2022</enddate><creator>王灿</creator><creator>刘永坚</creator><creator>解庆</creator><creator>马艳春</creator><general>武汉理工大学计算机科学与技术学院 武汉430070</general><general>青海武汉理工大学文化科技融合产业技术研究院 青海海东810600%武汉理工大学计算机科学与技术学院 武汉430070</general><scope>2B.</scope><scope>4A8</scope><scope>92I</scope><scope>93N</scope><scope>PSX</scope><scope>TCJ</scope></search><sort><creationdate>2022</creationdate><title>基于软标签和样本权重优化的Anchor Free目标检测算法</title><author>王灿 ; 刘永坚 ; 解庆 ; 马艳春</author></sort><facets><frbrtype>5</frbrtype><frbrgroupid>cdi_FETCH-wanfang_journals_jsjkx2022080203</frbrgroupid><rsrctype>articles</rsrctype><prefilter>articles</prefilter><language>chi</language><creationdate>2022</creationdate><toplevel>online_resources</toplevel><creatorcontrib>王灿</creatorcontrib><creatorcontrib>刘永坚</creatorcontrib><creatorcontrib>解庆</creatorcontrib><creatorcontrib>马艳春</creatorcontrib><collection>Wanfang Data Journals - Hong Kong</collection><collection>WANFANG Data Centre</collection><collection>Wanfang Data Journals</collection><collection>万方数据期刊 - 香港版</collection><collection>China Online Journals (COJ)</collection><collection>China Online Journals (COJ)</collection><jtitle>计算机科学</jtitle></facets><delivery><delcategory>Remote Search Resource</delcategory><fulltext>fulltext</fulltext></delivery><addata><au>王灿</au><au>刘永坚</au><au>解庆</au><au>马艳春</au><format>journal</format><genre>article</genre><ristype>JOUR</ristype><atitle>基于软标签和样本权重优化的Anchor Free目标检测算法</atitle><jtitle>计算机科学</jtitle><date>2022</date><risdate>2022</risdate><volume>49</volume><issue>8</issue><spage>157</spage><epage>164</epage><pages>157-164</pages><issn>1002-137X</issn><abstract>TP183; 与Anchor Based目标检测算法类似,基于特征点的Anchor Free目标检测算法也面临着在正负样本划分中存在模糊样本的问题,即根据特定阈值和特征点位置划分非正即负的训练样本,网络在对特征点位置处在临界值附近的样本进行训练时会产生较大的损失,使得网络将注意力过于集中在这些模糊样本上,降低了网络的整体检测性能.针对此情况,提出从软标签、损失函数和权重优化3个方面对基于特征点的Anchor Free目标检测算法进行改进,通过充分利用Center Ness参数来缓解模糊样本对网络性能的影响,提高目标检测的准确率.为证明所提方法的有效性,分别在经典的Pascal VOC数据集和M S CO-CO数据集上使用FCOS目标检测器进行对比实验,最终将检测器在Pascal VOC数据集上的mA P提升至82.16％(提升约1.31％),在M S COCO数据集上的A P50-95提升至35.8％(提升约1.3％).</abstract><pub>武汉理工大学计算机科学与技术学院 武汉430070</pub></addata></record>
fulltext fulltext
identifier ISSN: 1002-137X
ispartof 计算机科学, 2022, Vol.49 (8), p.157-164
issn 1002-137X
language chi
recordid cdi_wanfang_journals_jsjkx202208020
source DOAJ Directory of Open Access Journals
title 基于软标签和样本权重优化的Anchor Free目标检测算法
url https://sfx.bib-bvb.de/sfx_tum?ctx_ver=Z39.88-2004&ctx_enc=info:ofi/enc:UTF-8&ctx_tim=2024-12-20T05%3A23%3A44IST&url_ver=Z39.88-2004&url_ctx_fmt=infofi/fmt:kev:mtx:ctx&rfr_id=info:sid/primo.exlibrisgroup.com:primo3-Article-wanfang_jour&rft_val_fmt=info:ofi/fmt:kev:mtx:journal&rft.genre=article&rft.atitle=%E5%9F%BA%E4%BA%8E%E8%BD%AF%E6%A0%87%E7%AD%BE%E5%92%8C%E6%A0%B7%E6%9C%AC%E6%9D%83%E9%87%8D%E4%BC%98%E5%8C%96%E7%9A%84Anchor%20Free%E7%9B%AE%E6%A0%87%E6%A3%80%E6%B5%8B%E7%AE%97%E6%B3%95&rft.jtitle=%E8%AE%A1%E7%AE%97%E6%9C%BA%E7%A7%91%E5%AD%A6&rft.au=%E7%8E%8B%E7%81%BF&rft.date=2022&rft.volume=49&rft.issue=8&rft.spage=157&rft.epage=164&rft.pages=157-164&rft.issn=1002-137X&rft_id=info:doi/&rft_dat=%3Cwanfang_jour%3Ejsjkx202208020%3C/wanfang_jour%3E%3Curl%3E%3C/url%3E&disable_directlink=true&sfx.directlink=off&sfx.report_link=0&rft_id=info:oai/&rft_id=info:pmid/&rft_wanfj_id=jsjkx202208020&rfr_iscdi=true