一种提高微小目标检测性能的损失函数优化方法及系统与流程
本申请涉及目标检测，特别涉及一种提高微小目标检测性能的损失函数优化方法及系统。
背景技术：
1、目标检测是计算机视觉中的重要任务，旨在识别图像或视频中的预定义类别的对象，并提供其位置信息，深度学习在目标检测中发挥了关键作用，在目标检测中，出现了多种基于深度学习的目标检测模型，如r-cnn系列(r-cnn、fast r-cnn、faster r-cnn等)、yolo系列(yolov1、yolov2等)和ssd等。
2、损失函数在深度学习中用于衡量模型预测值与真实值之间的差异，对于目标检测任务，损失通常由分类损失和位置回归损失组成。首先，分类损失处理的是目标的识别问题，即预测目标类别的准确性，常用的分类损失函数包括二值交叉熵(binary cross-entropy,bce)和focal loss等。其中，二值交叉熵主要用于二分类任务，通过计算预测值与实际值之间的差距来评估损失；而focal loss则是在交叉熵的基础上增加了一个调整因子，用于解决类别不平衡问题，使得目标检测模型更加关注于难以分类的样本。
3、其次，位置回归损失关注的是模型对目标位置的预测准确性，常见的形式包括基于交并比(intersection over union，简称iou)的损失函数及其变体giou、diou和ciou等。这些损失函数通过计算预测框与真实框之间的交并比或其它几何关系来评估损失，从而促进目标检测模型在空间定位的精度。
4、目标检测模型的总损失通常是分类损失和位置回归损失的加权和。这种组合使得目标检测模型在训练过程中能够同时优化分类准确性和定位精度，最终提升目标检测的总体性能。通过不断迭代训练，目标检测模型在损失函数的指导下，逐步减小预测误差，增强检测能力，因此，损失函数在目标检测的学习过程中起到了至关重要的作用，它不仅影响模型训练的效率，还直接决定了模型的最终性能。
5、然而，使用iou作为损失函数的检测器在检测目标时，在微小目标的定位问题上存在不足，wasserstein距离(也称为推土机距离、瓦瑟斯坦距离等)作为基于交并比(iou)的损失函数的替代方案，用于衡量两个边界框的相似性，但wasserstein距离存在尺度不变性的缺失，以及优化过程中可能的收敛速度慢和检测精度不理想的问题。
技术实现思路
1、本申请的目的在于提供一种提高微小目标检测性能的损失函数优化方法及系统，以解决或缓解上述现有技术中存在的问题。
2、为了实现上述目的，本申请提供如下技术方案：
3、本申请提供一种提高微小目标检测性能的损失函数优化方法，包括：
4、步骤s101、将目标检测模型的椭圆形边界框通过二维高斯分布进行建模；其中，所述目标检测模型用于通过所述椭圆形边界框对目标物体进行定位并识别；所述椭圆形边界框包括目标框和预测框；
5、步骤s102、根据所述椭圆形边界框的模型尺寸，基于预设的动态梯度增益因子，对所述目标检测模型的目标框与预测框之间的wasserstein距离进行修正，并对得到的动态wasserstein距离应用指数形式的归一化，得到归一化wasserstein距离；
6、步骤s103、将所述归一化wasserstein距离作为损失函数，对所述目标检测模型的模型参数进行更新。
7、优选的，步骤s101中，按照公式：
8、
9、对所述椭圆形边界框进行建模；
10、式中，μ为所述二维高斯分布的均值向量，σ为所述二维高斯分布的协方差矩阵；(cx，cy)为所述椭圆形边界框的中心坐标，w、h分别为所述椭圆形边界框的宽度半轴和高度半轴。
11、优选的，步骤s102中，按照公式：
12、
13、确定所述目标检测模型的目标框与预测框之间的动态wasserstein距离式中，为所述目标检测模型的目标框与预测框之间的wasserstein距离；
14、按照公式：
15、
16、对所述动态wasserstein距离进行指数形式的归一化，得到归一化wasserstein距离
17、优选的，步骤s103中，基于梯度下降方法，对所述目标检测模型的网络层权重进行循环更新，以最小化所述损失函数，直至所述损失函数的值达到预设阈值或循环次数达到预设迭代次数，所述目标检测模型的模型参数更新完成。
18、本申请实施例还提供一种提高微小目标检测性能的损失函数优化系统，包括：边界框建模单元，配置为将目标检测模型的椭圆形边界框通过二维高斯分布进行建模；其中，所述目标检测模型用于通过所述椭圆形边界框对目标物体进行定位并识别；
19、归一化wasserstein距离单元，配置为根据所述椭圆形边界框的模型尺寸，基于预设的动态梯度增益因子，对所述目标检测模型的目标框与预测框之间的wasserstein距离进行修正，并对得到的动态wasserstein距离应用指数形式的归一化，得到归一化wasserstein距离；
20、函数优化单元，配置为将所述归一化wasserstein距离作为损失函数，对所述目标检测模型的模型参数进行更新。
21、有益效果：
22、本申请实施例提供的提高微小目标检测性能的损失函数优化方法，首先，将目标检测模型的椭圆形边界框通过二维高斯分布进行建模；然后，根据椭圆形边界框的模型尺寸，基于预设的动态梯度增益因子，对目标检测模型的目标框与预测框之间的wasserstein距离进行修正，并对得到的动态wasserstein距离应用指数形式的归一化，得到归一化wasserstein距离；最后，将归一化wasserstein距离作为损失函数，对目标检测模型的模型参数进行更新。
23、籍以，对wasserstein距离通过动态梯度增益因子4σt进行归一化，引入尺度不变性增强其效能，促进动态联合优化过程，通过调整梯度的方式，增强目标检测模型对微小目标的关注；将归一化wasserstein距离(dynamic-nwd)作为边界框回归损失函数，使目标检测模型具有更快的收敛速度和检测精度。
技术特征：
1.一种提高微小目标检测性能的损失函数优化方法，其特征在于，包括：
2.根据权利要求1所述的提高微小目标检测性能的损失函数优化方法，其特征在于，步骤s101中，按照公式：
3.根据权利要求1所述的提高微小目标检测性能的损失函数优化方法，其特征在于，步骤s102中，
4.根据权利要求1所述的提高微小目标检测性能的损失函数优化方法，其特征在于，步骤s103中，
5.一种提高微小目标检测性能的损失函数优化系统，其特征在于，包括：
技术总结
本申请涉及目标检测技术领域，提供了一种提高微小目标检测性能的损失函数优化方法及系统。该方法中，将目标检测模型的椭圆形边界框通过二维高斯分布进行建模，根据椭圆形边界框的模型尺寸，基于动态梯度增益因子，对目标框和预测框之间的Wasserstein距离进行修正，并对得到的动态Wasserstein距离应用指数形式的归一化，得到归一化Wasserstein距离作为损失函数，对目标检测模型的模型参数进行更新。籍以，引入尺度不变性增强其效能，促进动态联合优化过程，通过调整梯度的方式，增强对微小目标的关注；将归一化Wasserstein距离作为边界框回归损失函数，使目标检测模型具有更快的收敛速度和检测精度。
技术研发人员：刘永涛,关子谦,杜虎彬,张恒源,李秋瑜
受保护的技术使用者：河北法拉第科技有限公司
技术研发日：
技术公布日：2024/12/5