一种基于定位置信度预测的二阶段目标检测方法

摘要

当前许多目标检测算法在非极大值抑制过程中基于分类置信度对检测框排序,但由于分类置信度与定位准确度没有一致性,通常会影响检测器的定位性能.对此提出一种基于定位置信度预测的二阶段目标检测方法,为Faster R-CNN框架添加定位置信度预测分支,对分类、边界框回归和定位置信度3个分支进行联合训练,进而将检测框的定位置信度与分类置信度相融合,设计了基于融合分数的非极大值抑制后处理算法.此外,为定位置信度预测分支设计一种新的基于GIoU非线性变换的定位置信度指标,增大高GIoU检测框之间的定位置信度差异,以利于非极大值抑制过程中重复检测框的筛选.在交通场景人车检测数据集上的实验结果表明,所提方法获得了2.4%的AP提升,特别是AP_(85)和AP_(95)有2.7%~4.3%的提升,对于需要高定位性能的应用场景具有很大的实际意义.