施 非,邱 臻,韩 勤,李金耿,钱惠敏,项文波

(1.河海大学能源与电气学院,江苏 南京 211100; 2.浙江华云信息科技有限公司,浙江 杭州 310008;3.南京理工大学自动化学院,江苏 南京 210098)

0 引 言

目标检测是计算机视觉研究领域中的一个研究热点，在交通监控、图像分析、自动驾驶等方面有着广泛的应用。目标检测的主要任务是从静态图像或动态视频中检测并定位感兴趣的目标对象，即识别并定位感兴趣目标。目前，基于深度卷积神经网络的目标检测算法[1]已成为目标检测领域的研究热点。常用的基于卷积神经网络的目标检测算法包括基于区域提议的两阶段目标检测算法和基于位置回归的一阶段目标检测算法。前者的代表性算法主要包括R-CNN[2](Region-based Convolutional Neural Network)、Faster R-CNN[3]、Mask R-CNN[4]等；后者的代表性算法主要包括YOLO[5](You Only Look Once)、SSD[6](Single Shot Multibox Detector)等。两阶段目标检测算法得益于预先的区域提议，检测精度较高,一阶段检测算法则检测速度较快。

在目标检测中，训练算法所用的图像通常会事先标出所含目标的类别和区域，训练时会在图像中采用区域提议或基于锚机制的方法提取一系列候选区域[7]，且根据指标IoU(Intersection over Union)，即候选区域和标记的目标区域的交集与并集比是否超过给定的阈值(一般取0.5)确定为正样本(IoU0.5)或负样本(IoU<0.5)。在训练样本集中，通常会出现样本数据的类间不平衡问题[8]和简单样本-难分样本数量不平衡问题[9-10](指训练数据集包含过量简单样本)。样本数据的类间不平衡问题包括：1)不同类别目标的训练样本数量不平衡[11]，即有些类别的训练样本数量较多，而另一些类别的训练样本数量较少，从而影响目标分类的准确性；2)基于锚机制生成的正、负锚样本数量的比例悬殊[12]，从而影响目标检测的准确性；3)背景像素的数量远大于前景像素的数量，从而影响目标分割的准确性。而简单样本-难分样本数量不平衡问题是指训练样本中的易识别样本过多，难识别样本相对很少，此种情况下，会导致模型在训练过程中稀释有效梯度[13]，从而影响算法的检测准确率及泛化性能。样本数据的类间不平衡问题和简单样本-难分样本数量不平衡问题通常会同时出现，并导致模型退化。

向鸿鑫等[14]综述了在分类问题中存在不平衡数据的处理方法，分为预处理方法和挖掘方法。这些方法分别从数据分布及分类器选择角度出发，改善基于不平衡数据的分类器的分类性能。在基于深度神经网络的目标检测算法中，数据的特征表示学习和分类是一个整体过程，通常考虑从修改数据分布角度改善数据不平衡引发的问题。……