基于难负样本挖掘的改进Faster RCNN训练方法

摘要：

目标检测方法甚高速卷积神经网络(Faster Region-based Convolutional Neural Network,Faster RCNN)在训练过程中存在负样本远多于正样本的问题,即数据集不平衡问题.针对该问题,提出了一个综合定位误差和分类误差的判别函数用于判别难正样本,基于该函数和难负样本挖掘提出了改进的自助采样法,并提出了基于该自助采样的“五步训练法”用于训练Faster RCNN.与传统的Faster RCNN训练方法相比,五步法加强了对难样本的学习,提高了网络泛化能力,减少了误判;训练出的模型在Pascal VOC2007数据集上测试的平均正确率均值(mean Average Precision,mAP)提高了2.4％,在FDDB(Face Detection Data Set and Benchmark)相同检出率下误检率降低了3.2％,且边框拟合度更高.

关键词：甚高速区域卷积网络、目标检测、难负样本挖掘、自助采样

所属期刊栏目：45

分类号：TP183(自动化基础理论)

资助基金：广州市科技计划项目201707010070

在线出版日期：2018-06-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：250-254