一种基于锚框质量分布的动态标签分配策略

摘要：

传统的标签分配策略根据锚框与ground-truth之间的交并比(IoU)是否超过阈值来划分正负样本,但确定IoU阈值需要依靠大量的经验和实验,并且在不同的网络结构中需要重新设定新的阈值;其次固定的阈值无法保证正负样本数量变化的平缓,过多或过少的正样本都将影响网络训练的稳定性.为解决这些问题,提出一种自适应标签分配策略.根据中心先验原则设计中心权重,通过联合分类得分和定位得分表示锚框质量,组成一个统一的锚框评分方案便于简化划分步骤.为了使网络能够根据训练程度自适应调整IoU阈值,保证网络训练的稳定性,利用锚框质量高斯函数模拟锚框总体质量得分的分布情况,使用极大似然估计算法获取最优参数,根据统计结果动态预测最佳IoU阈值.实验结果表明,该算法在基于锚框和基于无锚框的检测算法中均使检测性能得到有效提升,在PASCAL VOC数据集上分别提升3.1和6.6个百分点,并且可以有效降低漏检率.

关键词：标签分配、目标检测、深度学习、样本、交并比

所属期刊栏目：49

分类号：TP18(自动化基础理论)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2023-04-19（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：85-91,100