典型文献
面向深度学习目标检测模型训练不平衡研究
文献摘要：
目标检测作为计算机视觉的任务之一已经成为研究热点问题.目前,基于深度学习的目标检测算法层出不穷,但大多数情况下学者只关心它们的模型架构,而忽视了其训练过程.目标检测网络在训练过程中会存在明显的不平衡问题,导致模型检测性能降低,不能达到预期的最佳效果.不平衡问题主要包括两个层次,分别是特征图层次和目标函数层次.为了能够充分发挥目标检测模型架构的潜力,实现更好的训练过程,提出利用Balanced Feature Pyramid和Balanced L1 Loss两个模块,同时将它们加入到基于ResNet-50-FPN的Faster R-CNN中,目的是解决Faster R-CNN模型在训练过程中存在的特征图层次和目标函数层次的不平衡问题.通过在MSCOCO数据集上验证,实验结果表明平衡后的模型可达到AP是38.5％的结果,比原Faster R-CNN目标检测模型提高了1.1个百分点.
文献关键词：
目标检测;深度学习;不平衡问题;Faster R-CNN
中图分类号：
作者姓名：
贺宇哲;何宁;张人;梁煜博;刘晓晓
作者机构：
北京联合大学 北京市信息服务工程重点实验室,北京 100101;北京联合大学 智慧城市学院,北京 100101
文献出处：
引用格式：
[1]贺宇哲;何宁;张人;梁煜博;刘晓晓-.面向深度学习目标检测模型训练不平衡研究)[J].计算机工程与应用,2022(05):172-178
A类：
B类：
学习目标,目标检测模型,模型训练,计算机视觉,目标检测算法,模型架构,训练过程,目标检测网络,不平衡问题,模型检测,检测性能,最佳效果,特征图,图层,数层,Balanced,Feature,Pyramid,L1,Loss,ResNet,FPN,Faster,MSCOCO,AP,百分点
AB值：
0.339376
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
