科创中国
基于样本特性的先验框参数自适应改进FRC检测方法
发布时间: 2025-05-06
基本信息
合作方式：
技术咨询
成果类型：
发明专利
行业领域：
新一代信息技术产业,互联网与云计算、大数据服务,人工智能
成果介绍
本成果提出了一种基于样本特性的先验框参数自适应改进FRC（Faster R-CNN）检测方法，旨在提高目标检测算法的精度和适应性。该方法通过卷积神经网络提取数据集样本的图像特征，生成特征图，并根据样本的宽高比和尺度调整先验框的比例和尺度。通过获取样本标签文件中的原始信息，计算样本边框的宽高比和面积占比，利用k-means聚类算法对样本边框进行聚类，从而获得调整后的先验框参数。改进后的先验框能够更好地适应样本的尺寸和形状特征，提高目标检测的准确性。该方法进一步通过区域生成网络（RPN）生成建议窗口，并对建议窗口进行分类和位置回归，最终利用交叉熵损失函数和Smooth L1损失函数对Faster R-CNN网络参数进行联合训练，完成目标检测。本成果在电力围栏数据集上的实验表明，改进后的FRC算法的平均精度（mAP）显著高于传统FRC算法，验证了该方法在实际应用中的有效性和优越性。
成果亮点
本成果的核心亮点在于其对先验框参数的自适应调整能力，能够根据样本的宽高比和尺度动态优化先验框的形状和大小。通过k-means聚类算法对样本边框进行聚类分析，该方法能够有效筛选出异常数据并替换为平均值，从而提高先验框参数的鲁棒性。此外，改进后的FRC检测方法在特征提取、建议窗口生成和目标分类等关键步骤上均进行了优化，显著提升了目标检测的精度和效率。实验结果表明，该方法在电力围栏数据集上的平均精度（mAP）达到91.90%，相较于传统FRC算法有显著提升。这种基于样本特性的先验框参数自适应调整方法不仅提高了目标检测的准确性，还增强了算法对不同尺寸和形状目标的适应能力，为复杂场景下的目标检测提供了更可靠的解决方案。
团队介绍
本成果的研发团队在计算机视觉、深度学习和目标检测等领域拥有深厚的专业背景和丰富的实践经验。团队成员紧密合作，充分发挥各自的专业优势，攻克了目标检测中先验框参数优化和算法性能提升等多项技术难题。该团队不仅具备强大的技术研发能力，还具备将前沿技术与实际应用相结合的能力，为推动目标检测技术的发展做出了重要贡献。
成果资料
下载app