正负样本划分方法及其单阶段目标检测方法

1.本发明属于计算机技术领域，具体涉及一种正负样本划分方法及其单阶段目标检测方法。


背景技术：

2.随着经济技术的发展和人们生活水平的提高，计算机视觉技术已经广泛应用于人们的生产和生活当中，给人们的生产和生活带来了无尽的便利。目标检测方法作为计算机视觉的一个研究方向，近年来发展十分迅速，而且也已经广泛应用到了我们生活中的方方面面，比如无人驾驶、医疗、农业、军事等领域。。在无人驾驶领域，可以通过摄像头采集道路周围信息，然后通过目标检测方法将其中的行人、车辆、红绿灯以及其他交通标志识别出来，车辆再通过这些信息采取相对应的措施。在医疗领域中，目标检测可以应用于目标区域检测、病理识别等，大大地提高了医疗检测速度，减轻了医疗人员的压力。而在农业领域，则可以通过目标检测方法检测病虫害和果实等。而在军事领域中则可以通过目标检测方法检测无人机等。
3.目标检测方法主要的任务在于找出图像中感兴趣的物体，并在图像中进行标注物体的位置，并进行分类。由于不同的物体有不同的形状、尺寸、颜色，且物体之间可能存在遮挡，所以目标检测一直以来都是一个充满挑战性的研究领域。现有的目标检测技术主要分为两类：第一类是两阶段检测方法，两阶段检测方法先生成候选区域，再利用卷积神经网络来进行物体的分类和定位；比较常见的两阶段目标检测方法包括rcnn、fast rcnn、faster rcnn等；第二类是单阶段检测方法，其直接通过一个端到端的网络来进行特征提取和物体分类定位；比较常见的单阶段检测方法有yolo v1、yolo v2、ssd、yolo v3、retinanet、yolo v4、yolo v5等。
4.现有的单阶段目标检测算法因为相比于两阶段目标检测算法没有候选框生成阶段，会铺设大量的锚框，在ssd检测算法中，会铺设8732个锚框，但是一张图像一般只有屈指可数的物体，所以大量的锚框基本是无用的，会被标示成负样本，而负责检测物体的锚框则被称之为正样本，这样一来负样本的数量会压倒正样本的数量，造成正负样本比例严重失衡；传统的正负样本解决方案一般主要是两种方案：(1)hard sampling:从所有候选样本中选择子集类训练模型。(2)soft sampling:给所有候选样本中安排不同的权重值。
5.因此，单阶段目标检测算法相比于两阶段目标检测速度更快。但是，目前的单阶段检测方法的检测精度较低，而且单阶段目标检测在检测过程中会产生大量的候选框，导致正负样本不平衡。


技术实现要素：

6.本发明的目的之一在于提供一种鲁棒性强、超参数不敏感且可靠性高、稳定性好的正负样本划分方法。
7.本发明的目的之二在于提供一种包括了所述正负样本划分方法的单阶段目标检
测方法。
8.本发明提供的这种正负样本划分方法，包括如下步骤：
9.s1.获取待划分的样本数据集；
10.s2.确认样本数据集所训练的模型，并对正负样本划分的参数进行初始化；
11.s3.计算步骤s2确认的模型中，每个特征层的锚框数；
12.s4.根据步骤s3得到的锚框数，对初始化的超参数进行调整；
13.s5.计算所有锚框与目标框的iou(intersection over union)值；
14.s6.在模型的每个特征层中，均挑选若干个与目标框的iou值最大的锚框，并作为目标框的候选正样本集合；
15.s7.计算正样本iou阈值；
16.s8.根据步骤s7计算得到的正样本iou的阈值，对步骤s6中候选正样本集合内的样本进行筛选；
17.s9.根据步骤s8得到的筛选后的候选正样本集合中，锚框的中心点与锚框所对应的目标框的关系，进行进一步的正样本筛选；
18.s10.将步骤s9得到的最终的正样本加入到正样本集合；
19.s11.重复步骤s6～s10直至所有特征层均计算完成，最终得到最后的正样本集合和负样本集合，完成样本数据集的正负样本划分。
20.步骤s2所述的模型，具体包括faster rcnn、yolo v2、yolo v3、ssd、retinanet、yolo v4等。
21.步骤s2所述的对正负样本划分的参数进行初始化，具体包括初始化锚框集合a为空集，锚框集a中的第i个元素ai表示模型中第i个特征层的锚框集合；初始化目标框集合g为空集，目标框集合g中的第i个元素gi表示第i个真实目标(比如汽车、行人、自行车、路灯等)的目标框；初始化目标框gi所对应的候选正样本集合ci为空集；初始化正样本集合p为空集；初始化负样本集合n为空集；初始化超参数k为初始设定值k
set
。
22.所述的初始设定值k
set
的值为7、9、11、13或15。
23.步骤s3所述的计算步骤s2确认的模型中，每个特征层的锚框数，具体为计算步骤s2确认的模型中，每个特征层的锚框数，并将计算得到的锚框数存入对应的锚框集合ai中。
24.步骤s4所述的根据步骤s3得到的锚框数，对初始化的超参数进行调整，具体为计算得到最终的超参数k
end
为k
end
＝min(k
set
,len(ai))；其中k
set
为超参数k的初始设定值，len(ai)为锚框集合ai中元素的个数。
25.步骤s6所述的在模型的每个特征层中，均挑选若干个与目标框的iou值最大的锚框，并作为目标框的候选正样本集合，具体为在模型的第i层特征层所对应的锚框集合ai中，选择与目标框gi的iou值最大的前k
end
个锚框，并存入目标框gi所对应的候选正样本集合ci中。
26.步骤s7所述的计算正样本iou阈值，具体包括如下步骤：
27.a.计算当前的候选正样本集合ci中，k
end
个锚框的iou平均值和方差，得到目标框gi的初始正样本阈值t1为t1＝mg vg；mg为k
end
个锚框的iou值的平均值，vg为k
end
个锚框的iou值的方差；
28.b.将步骤a得到的初始正样本阈值t1缩放到设定的区间[x,y]，得到最终的正样本
iou阈值t为t＝min(max(t1,x),y)。
[0029]
所述的设定的区间[x,y]为[0.2,0.5]。
[0030]
步骤s8所述的根据步骤s7计算得到的正样本iou的阈值，对步骤s6中候选正样本集合内的样本进行筛选，具体包括如下步骤：
[0031]
对步骤s6得到的候选正样本集合ci中的所有元素所对应的iou值进行判断：
[0032]
若iou值小于正样本iou阈值t，则将对应的锚框从候选正样本集合ci中删除，并加入负样本集合n中；
[0033]
若iou值大于或等于正样本iou阈值t，则将对应的锚框保留在候选正样本集合ci中；
[0034]
最终，完成对步骤s6中候选正样本集合内的样本的筛选，得到筛选后的候选正样本集合c'i。
[0035]
步骤s9所述的根据步骤s8得到的筛选后的候选正样本集合中，锚框的中心点与锚框所对应的目标框的关系，进行进一步的正样本筛选，具体包括如下步骤：
[0036]
a.计算步骤s8得到的筛选后的候选正样本集合c'i中，各个锚框的中心点位置；
[0037]
b.对步骤a得到的锚框的中心点位置与锚框所对应的目标框之间的位置关系：
[0038]
若锚框的中心点位置位于锚框所对应的目标框内，则将对应的锚框保留在筛选后的候选正样本集合c'i中；
[0039]
若锚框的中心点位置位于锚框所对应的目标框外，则将对应的锚框从筛选后的候选正样本集合c'i中删除，并加入负样本集合n中；
[0040]
最终，完成对步骤s8得到的筛选后的候选正样本集合c'i的筛选，得到最终的候选正样本集合c”i
；完成进一步的正样本筛选。
[0041]
本发明还公开了一种包括了所述正负样本划分方法的单阶段目标检测方法，具体包括如下步骤：
[0042]
(1)获取样本数据集，并作为待划分的样本数据集；确认单阶段目标检测的检测模型，并作为样本数据集所训练的模型；
[0043]
(2)采用上述的正负样本划分方法，对样本数据集进行正负样本划分，从而得到最终的正样本集合和负样本集合；
[0044]
(3)采用步骤(2)得到的正样本集合和负样本集合，对单阶段目标检测的检测模型进行训练，从而得到最终的单阶段目标检测模型；
[0045]
(4)采用步骤(3)得到的最终的单阶段目标检测模型，对目标检测的原始图片进行目标检测。
[0046]
本发明提供的这种正负样本划分方法及其单阶段目标检测方法，正负样本划分的阈值是一个动态的阈值，因此能够根据锚框数量以及锚框铺设情况进行动态调节，而且超参数的取值范围较大；因此，本发明方法鲁棒性强，对超参数不敏感，可靠性高，稳定性好。
附图说明
[0047]
图1为本发明的正负样本划分方法的方法流程示意图。
[0048]
图2为本发明的单阶段目标检测方法的方法流程示意图。
[0049]
图3为本发明的实施例的目标检测原始示意图。
[0050]
图4为本发明的实施例的目标检测效果示意图。
具体实施方式
[0051]
本发明针对现有技术的问题，提出了一种改进正负样本失衡的方法，从正负样本的选择方式入手，在以往的目标检测方法中，当锚框和目标框的iou大于0.5时成为正样本，而当锚框和目标框的iou小于0.2时则成为负样本，这种简单粗暴划分正负样本的方法缺乏鲁棒性，当某个目标框和所有锚框的iou都小于0.5时，这样能够匹配这个目标框的锚框数量就为0，导致检测效果较差，而对于另一种极端情况则是，当某个目标框和许多锚框的iou大于0.5时，这时候匹配该目标框的锚框数量则过多了，会产生许多无用的检测框。本发明不使用固定的阈值作为区分正负样本的标准，而是通过对目标框周围k个iou最大的锚框进行计算得到一个动态的iou阈值，通过这个阈值来区分正负样本。
[0052]
如图1所示为本发明的正负样本划分方法的方法流程示意图：本发明提供的这种正负样本划分方法，包括如下步骤：
[0053]
s1.获取待划分的样本数据集；
[0054]
s2.确认样本数据集所训练的模型，并对正负样本划分的参数进行初始化；
[0055]
其中的模型具体包括faster rcnn、yolo v2、yolo v3、ssd、retinanet、yolo v4等；
[0056]
所述的对正负样本划分的参数进行初始化，具体包括初始化锚框集合a为空集，锚框集a中的第i个元素ai表示模型中第i个特征层的锚框集合；初始化目标框集合g为空集，目标框集合g中的第i个元素gi表示第i个真实目标(比如汽车、行人、自行车、路灯等)的目标框；初始化目标框gi所对应的候选正样本集合ci为空集；初始化正样本集合p为空集；初始化负样本集合n为空集；初始化超参数k为初始设定值k
set
(优选为7、9、11、13或15)；
[0057]
s3.计算步骤s2确认的模型中，每个特征层的锚框数；具体为计算步骤s2确认的模型中，每个特征层的锚框数，并将计算得到的锚框数存入对应的锚框集合ai中；
[0058]
s4.根据步骤s3得到的锚框数，对初始化的超参数进行调整；具体为计算得到最终的超参数k
end
为k
end
＝min(k
set
,len(ai))；其中k
set
为超参数k的初始设定值，len(ai)为锚框集合ai中元素的个数；
[0059]
s5.计算所有锚框与目标框的iou(intersection over union)值；
[0060]
s6.在模型的每个特征层中，均挑选若干个与目标框的iou值最大的锚框，并作为目标框的候选正样本集合；具体为在模型的第i层特征层所对应的锚框集合ai中，选择与目标框gi的iou值最大的前k
end
个锚框，并存入目标框gi所对应的候选正样本集合ci中；
[0061]
s7.计算正样本iou阈值；具体包括如下步骤：
[0062]
a.计算当前的候选正样本集合ci中，k
end
个锚框的iou平均值和方差，得到目标框gi的初始正样本阈值t1为t1＝mg vg；mg为k
end
个锚框的iou值的平均值，vg为k
end
个锚框的iou值的方差；
[0063]
b.将步骤a得到的初始正样本阈值t1缩放到设定的区间[x,y](优选为[0.2,0.5])，得到最终的正样本iou阈值t为t＝min(max(t1,x),y)；
[0064]
s8.根据步骤s7计算得到的正样本iou的阈值，对步骤s6中候选正样本集合内的样本进行筛选；具体包括如下步骤：
[0065]
对步骤s6得到的候选正样本集合ci中的所有元素所对应的iou值进行判断：
[0066]
若iou值小于正样本iou阈值t，则将对应的锚框从候选正样本集合ci中删除，并加入负样本集合n中；
[0067]
若iou值大于或等于正样本iou阈值t，则将对应的锚框保留在候选正样本集合ci中；
[0068]
最终，完成对步骤s6中候选正样本集合内的样本的筛选，得到筛选后的候选正样本集合c'i；
[0069]
s9.根据步骤s8得到的筛选后的候选正样本集合中，锚框的中心点与锚框所对应的目标框的关系，进行进一步的正样本筛选；具体包括如下步骤：
[0070]
a.计算步骤s8得到的筛选后的候选正样本集合c'i中，各个锚框的中心点位置；
[0071]
b.对步骤a得到的锚框的中心点位置与锚框所对应的目标框之间的位置关系：
[0072]
若锚框的中心点位置位于锚框所对应的目标框内，则将对应的锚框保留在筛选后的候选正样本集合c'i中；
[0073]
若锚框的中心点位置位于锚框所对应的目标框外，则将对应的锚框从筛选后的候选正样本集合c'i中删除，并加入负样本集合n中；
[0074]
最终，完成对步骤s8得到的筛选后的候选正样本集合c'i的筛选，得到最终的候选正样本集合c”i
；完成进一步的正样本筛选；
[0075]
s10.将步骤s9得到的最终的正样本加入到正样本集合；
[0076]
s11.重复步骤s6～s10直至所有特征层均计算完成，最终得到最后的正样本集合和负样本集合，完成样本数据集的正负样本划分。
[0077]
如图2所示为本发明的单阶段目标检测方法的方法流程示意图：本发明提供的这种包括了所述正负样本划分方法的单阶段目标检测方法，具体包括如下步骤：
[0078]
(1)获取样本数据集，并作为待划分的样本数据集；确认单阶段目标检测的检测模型，并作为样本数据集所训练的模型；
[0079]
(2)采用上述的正负样本划分方法，对样本数据集进行正负样本划分，从而得到最终的正样本集合和负样本集合；
[0080]
(3)采用步骤(2)得到的正样本集合和负样本集合，对单阶段目标检测的检测模型进行训练，从而得到最终的单阶段目标检测模型；
[0081]
(4)采用步骤(3)得到的最终的单阶段目标检测模型，对目标检测的原始图片进行目标检测。
[0082]
以下结合实施例，对本发明的效果进行进一步说明：
[0083]
图3为本实施例的目标检测原始示意图；本实施例仅对某一层特征层进行说明；该特征层的锚框数量为50，超参数k＝9；
[0084]
对于每个目标框gi而言，建立一个其对应的候选正样本集合ci，初始都为空集合。目标框的坐标信息如下：
[0085]
[0.61284676 0.61615466 0.81284676 0.81615466]
[0086]
计算模型中的每个特征层所对应的锚框下标以及锚框数，将每一层的锚框加入到对应的锚框集合ai中。该特征层的锚框坐标如下：
[0087]
[[0.23790486 0.2883428 0.43790486 0.4883428]
[0088]
[0.57656675 0.31372731 0.77656675 0.51372731]
[0089]
[0.61196703 0.53767393 0.81196703 0.73767393]
[0090]
[0.57183242 0.27272307 0.77183242 0.47272307]
[0091]
[0.230149 0.51421106 0.430149 0.71421106]
[0092]
[0.39965081 0.66114755 0.59965081 0.86114755]
[0093]
[0.24408573 0.7067477 0.44408573 0.9067477]
[0094]
[0.37192256 0.58626501 0.57192256 0.78626501]
[0095]
[0.43513538 0.63786772 0.63513538 0.83786772]
[0096]
[0.64795695 0.21401723 0.84795695 0.41401723]
[0097]
[0.40203845 0.61452794 0.60203845 0.81452794]
[0098]
[0.63906426 0.64505796 0.83906426 0.84505796]
[0099]
[0.34500032 0.78365833 0.54500032 0.98365833]
[0100]
[0.21195243 0.44657727 0.41195243 0.64657727]
[0101]
[0.72381198 0.3403447 0.92381198 0.5403447]
[0102]
[0.0077607 0.76544857 0.2077607 0.96544857]
[0103]
[0.07816534 0.55450836 0.27816534 0.75450836]
[0104]
[0.76324028 0.03562219 0.96324028 0.23562219]
[0105]
[0.43778051 0.1141105 0.63778051 0.3141105]
[0106]
[0.61868325 0.01756541 0.81868325 0.21756541]
[0107]
[0.45648874 0.12288837 0.65648874 0.32288837]
[0108]
[0.76919961 0.45022924 0.96919961 0.65022924]
[0109]
[0.58748094 0.62216626 0.78748094 0.82216626]
[0110]
[0.13458162 0.77191046 0.33458162 0.97191046]
[0111]
[0.25728831 0.34198456 0.45728831 0.54198456]
[0112]
[0.47818027 0.6179287 0.67818027 0.8179287]
[0113]
[0.65825023 0.7690782 0.85825023 0.9690782]
[0114]
[0.03559698 0.1038453 0.23559698 0.3038453]
[0115]
[0.0374339 0.67119083 0.2374339 0.87119083]
[0116]
[0.4604352 0.70573661 0.6604352 0.90573661]
[0117]
[0.4075054 0.08446388 0.6075054 0.28446388]
[0118]
[0.02168888 0.39670351 0.22168888 0.59670351]
[0119]
[0.50159486 0.60806258 0.70159486 0.80806258]
[0120]
[0.28100178 0.13842495 0.48100178 0.33842495]
[0121]
[0.65489783 0.15995768 0.85489783 0.35995768]
[0122]
[0.74265962 0.74312835 0.94265962 0.94312835]
[0123]
[0.4160197 0.69111461 0.6160197 0.89111461]
[0124]
[0.67597631 0.75587906 0.87597631 0.95587906]
[0125]
[0.7268737 0.68240918 0.9268737 0.88240918]
[0126]
[0.55826882 0.20562433 0.75826882 0.40562433]
false]
[0145]
计算候选正样本锚框集合中锚框的中心店是否存在于该锚框所对应的目标框之中，如果不在目标框之中的话需要将其从候选正样本集合gi中剔除，将其加入到负样本集合n中，通过去除不在目标框中心之后的锚框分类信息如下:
[0146]
[false false true false false false false false false false false true false false false false false false false false false false true false false false false false false false false false false false false false false false false false false false false false false false false false false false]
[0147]
将保留下来的候选正样本集合ci加入到正样本集合p中；最终通过后续的单阶段目标检测方法对图3进行目标检测，检测结果如图4所示。从图4中可以看到，检测的准确性较高，效果较好。

技术特征：
1.一种正负样本划分方法，包括如下步骤：s1.获取待划分的样本数据集；s2.确认样本数据集所训练的模型，并对正负样本划分的参数进行初始化；s3.计算步骤s2确认的模型中，每个特征层的锚框数；s4.根据步骤s3得到的锚框数，对初始化的超参数进行调整；s5.计算所有锚框与目标框的iou值；s6.在模型的每个特征层中，均挑选若干个与目标框的iou值最大的锚框，并作为目标框的候选正样本集合；s7.计算正样本iou阈值；s8.根据步骤s7计算得到的正样本iou的阈值，对步骤s6中候选正样本集合内的样本进行筛选；s9.根据步骤s8得到的筛选后的候选正样本集合中，锚框的中心点与锚框所对应的目标框的关系，进行进一步的正样本筛选；s10.将步骤s9得到的最终的正样本加入到正样本集合；s11.重复步骤s6～s10直至所有特征层均计算完成，最终得到最后的正样本集合和负样本集合，完成样本数据集的正负样本划分。2.根据权利要求1所述的正负样本划分方法，其特征在于步骤s2所述的模型，具体包括faster rcnn、yolo v2、yolo v3、ssd、retinanet和yolo v4。3.根据权利要求1所述的正负样本划分方法，其特征在于步骤s2所述的对正负样本划分的参数进行初始化，具体包括初始化锚框集合a为空集，锚框集a中的第i个元素a
i
表示模型中第i个特征层的锚框集合；初始化目标框集合g为空集，目标框集合g中的第i个元素g
i
表示第i个真实目标的目标框；初始化目标框g
i
所对应的候选正样本集合c
i
为空集；初始化正样本集合p为空集；初始化负样本集合n为空集；初始化超参数k为初始设定值k
set
。4.根据权利要求3所述的正负样本划分方法，其特征在于步骤s3所述的计算步骤s2确认的模型中，每个特征层的锚框数，具体为计算步骤s2确认的模型中，每个特征层的锚框数，并将计算得到的锚框数存入对应的锚框集合a
i
中。5.根据权利要求4所述的正负样本划分方法，其特征在于步骤s4所述的根据步骤s3得到的锚框数，对初始化的超参数进行调整，具体为计算得到最终的超参数k
end
为k
end
＝min(k
set
,len(a
i
))；其中k
set
为超参数k的初始设定值，len(a
i
)为锚框集合a
i
中元素的个数。6.根据权利要求5所述的正负样本划分方法，其特征在于步骤s6所述的在模型的每个特征层中，均挑选若干个与目标框的iou值最大的锚框，并作为目标框的候选正样本集合，具体为在模型的第i层特征层所对应的锚框集合a
i
中，选择与目标框g
i
的iou值最大的前k
end
个锚框，并存入目标框g
i
所对应的候选正样本集合c
i
中。7.根据权利要求6所述的正负样本划分方法，其特征在于步骤s7所述的计算正样本iou阈值，具体包括如下步骤：a.计算当前的候选正样本集合c
i
中，k
end
个锚框的iou平均值和方差，得到目标框g
i
的初始正样本阈值t1为t1＝mg vg；mg为k
end
个锚框的iou值的平均值，vg为k
end
个锚框的iou值的方差；b.将步骤a得到的初始正样本阈值t1缩放到设定的区间[x,y]，得到最终的正样本iou
阈值t为t＝min(max(t1,x),y)。8.根据权利要求7所述的正负样本划分方法，其特征在于步骤s8所述的根据步骤s7计算得到的正样本iou的阈值，对步骤s6中候选正样本集合内的样本进行筛选，具体包括如下步骤：对步骤s6得到的候选正样本集合c
i
中的所有元素所对应的iou值进行判断：若iou值小于正样本iou阈值t，则将对应的锚框从候选正样本集合c
i
中删除，并加入负样本集合n中；若iou值大于或等于正样本iou阈值t，则将对应的锚框保留在候选正样本集合c
i
中；最终，完成对步骤s6中候选正样本集合内的样本的筛选，得到筛选后的候选正样本集合c'
i
。9.根据权利要求8所述的正负样本划分方法，其特征在于步骤s9所述的根据步骤s8得到的筛选后的候选正样本集合中，锚框的中心点与锚框所对应的目标框的关系，进行进一步的正样本筛选，具体包括如下步骤：a.计算步骤s8得到的筛选后的候选正样本集合c'
i
中，各个锚框的中心点位置；b.对步骤a得到的锚框的中心点位置与锚框所对应的目标框之间的位置关系：若锚框的中心点位置位于锚框所对应的目标框内，则将对应的锚框保留在筛选后的候选正样本集合c'
i
中；若锚框的中心点位置位于锚框所对应的目标框外，则将对应的锚框从筛选后的候选正样本集合c'
i
中删除，并加入负样本集合n中；最终，完成对步骤s8得到的筛选后的候选正样本集合c'
i
的筛选，得到最终的候选正样本集合c
″
i
；完成进一步的正样本筛选。10.一种包括了权利要求1～9之一所述的正负样本划分方法的单阶段目标检测方法，其特征在于具体包括如下步骤：(1)获取样本数据集，并作为待划分的样本数据集；确认单阶段目标检测的检测模型，并作为样本数据集所训练的模型；(2)采用权利要求1～9之一所述的正负样本划分方法，对样本数据集进行正负样本划分，从而得到最终的正样本集合和负样本集合；(3)采用步骤(2)得到的正样本集合和负样本集合，对单阶段目标检测的检测模型进行训练，从而得到最终的单阶段目标检测模型；(4)采用步骤(3)得到的最终的单阶段目标检测模型，对目标检测的原始图片进行目标检测。

技术总结
本发明公开了一种正负样本划分方法，包括获取待划分的样本数据集；确认模型并初始化；计算模型每个特征层的锚框数；对初始化的超参数进行调整；计算所有锚框与目标框的IOU值；在模型的每个特征层中挑选若干个与目标框的IOU值最大的锚框作为目标框的候选正样本集合；计算正样本IOU阈值；对候选正样本集合内的样本进行两次筛选得到最终的正样本加入到正样本集合；重复上述步骤直至所有特征层均计算完成，得到最后的正样本集合和负样本集合，完成样本数据集的正负样本划分。本发明还公开一种包括所述正负样本划分方法的单阶段目标检测方法。本发明方法鲁棒性强，对超参数不敏感，可靠性高，稳定性好。稳定性好。稳定性好。


技术研发人员：张师超 袁双雄 章成源
受保护的技术使用者：中南大学
技术研发日：2022.02.18
技术公布日：2022/5/25