一种具有抗噪性能的圆形目标检测器

蔡钟晟,陈 飞,曾勋勋

(福州大学数学与计算机科学学院,福建 福州 350108)

图像质量对基于深度学习的目标检测方法有着较大影响[1],但是生产环境中的复杂环境通常难以确保图像质量. 从而造成许多模型的精度大幅下降. 例如,噪声环境中经典的Yolov3[2]模型精度出现大幅下降,效果如图1左所示. 因此本文引入深度残差网络提取图像抗噪特征,同时结合目标先验形状信息,实现在噪声环境下目标的精确识别. 本文的研究目标主要包括血细胞和下旁腺.

图1 血细胞检测结果比较Fig.1 Blood cell test results

因为公共数据集通常目标种类繁多且形状不固定,所以现有基于深度学习的目标检测器通常都是用矩形框检测目标,但血细胞和下旁腺都是近似圆形的目标. 针对这种形状相对较固定的目标,矩形不是最好的选择. 本文基于血细胞和下旁腺圆形形状的先验信息,提出了圆形锚框和圆形IOU损失函数. 充分利用目标的先验信息,更好地提取目标特征. 同时本文的方法并不局限于特定模型,可以在其他模型使用.

1 相关工作

目前基于深度学习的目标检测算法主要通过两种方式检测目标[3]. 一种是基于锚框Anchor的模型,这种模型又可分为一阶段模型和两阶段模型. 一阶段经典模型有Yolov3,也就是Yolo,You Only Look Once的第三版续作. 两阶段经典模型有Faster R-CNN[4-5]和Mask R-CNN[6],两个模型都是RCNN的续作,也就是Region With CNN Features的续作. 另一种是Anchor-free的模型,也就是无锚框的模型,通过寻找目标特征点来确定目标的中心点位置和宽高. 经典模……