基于深度学习的复杂背景下目标检测研究—论文解读

1. 创新点

  论文主要针对模型训练中出现的正负样本不均衡问题，根据困难样本挖掘原理，在原有的损失函数中引入调制因子，将背景部分视为简单样本，减小背景损失在置信损失中的占比，使得模型收敛更快速，模型训练更充分，从而提高了复杂背景下的目标检测精度。同时，通过构建特征金字塔和融合多层特征图的方式，实现对低层特征图的语义信息融合增强，以提高对小目标检测的精度，从而提高整体的检测精度。

2. 实现方法

  本文检测模型以传统的基础网络VGG16 为基础，并添加深层卷积网络而构成。前部分浅层网络采用卷积神经网络提取图像特征，包括输入层、卷积层和下采样层。后部分深层网络用卷积层代替原始的全连接层。卷积层尺寸逐层递减，分类和定位回归在多尺度特征图上完成。

2.1 引入调制因子的损失函数

  损失函数用来计算模型预测值与真实值的不一致程度。对样本集合（x,y），本文采用了多任务损失函数（Multi-Task Loss Function），可以在损失函数中完成置信度判别和位置回归，两者加权求和，得到最终的损失函数。

图1 损失函数表达式

  为解决正负样本不平衡问题，本文首先将所有的待训练先验框进行排序，按照置信度得分情况从大到小排列，取前四分之一为正样本，其余为负样本，以减少负样本比重。同时，在原损失函数中引入调制因子，增加困难样本对参数的贡献值。

2.2 多层特征融合结构

  SSD 网络分别在conv4_3 至conv11 的6 层特征图上进行分类