基于可变权重损失函数和难例挖掘模块的Faster R-CNN改进算法

摘要：

基于深度卷积神经网络的目标检测算法已成为目标检测领域中的研究热点,它包括基于区域提议的两阶段目标检测算法和基于位置回归的一阶段目标检测算法.Faster R-CNN是两阶段目标检测的典型算法之一,但是,训练数据集中简单样本-难分样本数量不平衡,以及样本数据的类间不平衡,都是影响Faster R-CNN检测精度的重要原因.本文提出一种基于可变权重损失函数Focal Loss和难例挖掘模块的改进Faster R-CNN算法.具体地,在网络的分类部分引入Fo-cal Loss函数,通过权重调节样本数据的类间不平衡,改善简单样本-难分样本的数量不平衡;同时,修改网络结构,引入难例挖掘模块,进一步平衡简单样本-难分样本的数量,提高网络的检测性能.本文采用不同数据集,不同基础网络来测试提出的算法性能.实验结果表明,在VGG-16基础网络下,本文算法在Pascal VOC 2007数据集上平均检测精度较原算法提高了0.9个百分点,在Pascal VOC 07+12数据集上提高了1.7个百分点;在Res-101基础网络上,在Pascal VOC 2007数据集上平均检测精度较原算法提高了1.3个百分点,在Pascal VOC 07+12数据集上提高了1.5个百分点.

关键词：深度学习、目标检测、焦点损失、难例挖掘

分类号：TP391.4(计算技术、计算机技术)

资助基金：江苏省自然科学基金资助项目;河海大学中央高校基本科研业务费专项资金资助项目

在线出版日期：2020-08-27（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：56-62