基于难分样本挖掘的快速区域卷积神经网络目标检测研究
针对经典的快速区域卷积神经网络(Faster RCNN)训练过程存在太多难训练样本、召回率低等问题,该文采用一种基于在线难分样本挖掘技术(OHEM)与负难分样本挖掘(HNEM)技术相结合的方法,通过训练中实时筛选的最大损失值难分样本进行误差传递,解决了模型对难分样本检测率低问题,提高模型训练效率;为更好地提高模型的召回率和模型的泛化性,该文改进了非极大值抑制(NMS)算法,设置了置信度阈值罚函数,又引入多尺度、数据增强等训练方法.最后通过比较改进前后的结果,经敏感性实验分析表明,该算法在VOC2007数据集上取得了较好效果,平均精度均值从69.9%提升到了74.40%,在VOC2012上从70.4%提升到79.3%,验证了该算法的优越性.
多目标检测、在线样本挖掘、负难分样本挖掘、深度学习、非极大值抑制
41
TP391.41(计算技术、计算机技术)
国家自然科学基金51605442;浙江省科技厅公益项目LGN18G010002
2019-07-10(万方平台首次上网日期,不代表论文的发表时间)
共7页
1496-1502