Page 115 - 基于深度学习的人工智能技术研究

第三章 深度学习理论与实践

没有匹配的检测框定为负样本。在 SSD 目标检测算法时通常会出现正负样本不
平衡的问题，这是由于在检测时 SSD 对默认的匹配框进行匹配时将大部分定为
负样本，所以需要将默认的检测框按照置信度排列然后设定合适的阈值在进行筛
选。通过引入数据增强对输入的图像进行翻转、缩放等操作，再与原图像进行对

比选出更合适的图像进行检测。
2.YOL0 算法
YOLO 算法的目标检测过程和训练都在一个单独的网络中进行，去除了耗费
时间的计算过程，将整幅图像作为输入，把物体检测当作一个回归问题进行运算，

并将回归预选框的位置和判断目标的类别都在输出层进行，提高了检测速度。
（四）改进的先验框与特征融合 SSD
1. 基于 SSD 算法先验框的改进
从目前状况来说，由于车辆检测研究的目标检测算法相对来说比较少，有些

小目标在检测过程中经常出现数据模糊的状况，甚至有些小目标根本检测不到。
在制定 SSD 算法模型的先验框时，通常是参照 VOC 数据集中的目标尺寸来确定
SSD 先验框比例，但不能参照车辆目标比例，SSD 算法先验框和车辆目标比例
相差较大。在深层特征图中，SSD 算法会产生多个检测框，先验框经过一系列的

运算后产生真实标注框，同时，SSD 算法的精确度也受先验框比例设置是否合理
的影响，随后针对车辆数据集对先验框比例进行修改，使得 SSD 模型对目标车
辆检测的结果更加精确。
在 SSD 算法中，先验框的比例和尺寸会严重影响 SSD 算法的结果，由于先

验框具有匹配原则，每个先验框都会有对应的标注框，如果出现多个标注框对应
一个先验框的情况，则选择 IOU 值最大的与其相匹配。在对目标的检测过程中，
我尽量设置更多的先验框数量，避免先验框对图中目标出现覆盖不全面的状况。
但是，如果先验框的设置数量过大，在计算过程中会出现浪费人力和物力的情况。

因此，要结合实际情况设置先验框的数量，与此同时，先验框的比例不会出现较
大的偏差，每个特征图上也不会出现特征映射变化，从而减少不必要的计算步
骤，不但可以精确 SSD 算法的结果，以及提高计算效率，并且合理设置先验框
数量和比例，可以在很大程度上提高先验框回归的准确度和模型的检测性能。虽

然真实标注框可以与先验框相匹配，但针对目前的计算方式来说，仍然不能满足
人们对小目标车辆的检测要求。在特征图上确定先验框的具体位置时，要结合先

107