[发明专利]一种图像检测模型的多尺度anchor初始化方法与装置

说明书

本发明涉及一种图像检测模型的多尺度anchor初始化方法，方法包括：将每种待检测图像对应的样本标签划分到对应的尺度内；根据每个尺度内的样本标签数量阈值，判断是否保留尺度；确定保留的每个尺度下的样本标签面积和宽高情况；根据样本标签面积和宽高情况，动态调整anchor数量并生成每个尺度下的初始化anchor；通过评价指标比较面积和宽高两种方法确定的anchor的情况，选择较达到评价指标的一组结果。本发明生成的初始化anchor既能够指导算法采用最合适的尺度，节省效率，避免尺度间的竞争；又能够与样本的分布情况一致，提升检测精度。

技术领域

本申请涉及互联网技术领域，尤其涉及一种图像检测模型的多尺度anchor初始化方 法与装置。

背景技术

目标检测算法(Detection)是深度学习计算机视觉(CV)领域一个非常重要的方向， 算法过程是通过一系列带有标签的图像进行训练，提取目标特征，用于预测新的图像是 否含目标并用矩形框标示，对目标图像进行标注，带有标签的图像的矩形框为目标矩形框。如图1所示，含有三个目标。

目标检测训练过程中，Anchor需要设置有多个参数，其中非常重要的一个参数就是 锚框(anchor)，其形态是矩形框。其原理是将一系列(常见的是9个)初始化的anchor 做为基准，找到IoU(锚框和目标矩形框的面积交集/并集，如图2所示)和目标矩形框 最接近的一个，并学习锚框和目标矩形框之间的变换关系。这种学习可近似看作线性变 换，所以初始化的anchor和目标矩形框越接近，学习的效果越好，预测精度会越高。其 中，目标矩形框，即标注的矩形框，通常称为标签。

Anchor由两个参数构成，数量和大小。其中，anchor的数量一般会影响生成初始化anchor的效率，也在一定程度上影响检测精度。anchor的大小会影响最终检测结果的准 确程度，即anchor初始大小与数据集标签尺寸约接近越好，但标注的矩形的数量远大于anchor数量，所以如何让初始化的anchor框的分布能够与标注的矩形框的分布保持一 致(距离最小)并且采用合理的anchor数量是该算法要解决的主要问题之一。

发明内容

本申请提供了一种图像检测模型的多尺度anchor初始化方法与装置，以解决如何让 初始化的anchor框的分布能够与标注的矩形框的分布保持一致(距离最小)并且采用合理的anchor数量的问题。

本申请采用的技术方案如下：

本申请提供了一种图像检测模型的多尺度anchor初始化方法，所述方法包括：

将每种待检测图像对应的样本标签划分到对应的尺度内；

根据每个所述尺度内的样本标签数量阈值，判断是否保留所述尺度；

确定保留的每个尺度下的样本标签面积和宽高情况；

根据所述样本标签面积和宽高情况，确定anchor数量并生成所述尺度下的初始化anchor。

进一步地，将每种待检测图像对应的样本标签划分到对应的尺度内，包括：

根据尺度阈值，将每种待检测图像对应的样本标签划分到对应的尺度内，

所述尺度阈值为样本标签面积范围，所述样本标签面积范围为通过实验获取的能够 对所述尺度下的样本标签有最佳检测结果的范围。

进一步地，根据所述样本标签面积情况，确定anchor数量并生成所述尺度下的初始化anchor，包括：

根据每个尺度下的样本标签面积和宽高情况，通过不同的聚类的距离计算方式和动 态调整anchor数量方法，生成所述尺度下的初始化anchor。