结合长尾数据解决方法的野生动物目标检测

作者：蔡前舟; 郑伯川; 曾祥银; 侯金

来源：计算机应用, 2021, 1-8.

• 长尾数据
• 目标检测
• 两阶段学习
• 重加权
• YOLOv4-Tiny

基于红外相机图像的野生动物目标检测有利于研究和保护野生动物。由于不同种类的野生动物数量差别大，红外相机采集到的野生动物数据集存在种类数量分布不均的长尾数据问题，该问题影响目标检测神经网络模型的整体性能提升。针对野生动物的长尾数据导致的目标检测精度低的问题，提出了一种基于两阶段学习和重加权相结合的长尾数据解决方法，并将该方法用于基于YOLOv4-tiny的野生动物目标检测。首先，采集、整理构建了一个新的野生动物数据集，该数据集具有明显的长尾数据特征。其次，采用基于迁移学习的两阶段方法训练神经网络，第一阶段在分类损失函数中采用无加权方式进行训练，在第二阶段训练中提出了两种改进的重加权方法，并以第一阶段所得权重作为预训练权重进行重加权训练。最后，对野生动物测试集进行测试。实验表明，在分类损失采用交叉熵损失函数和焦点损失函数下，提出的长尾数据解决方法达到了60.47%和61.18%的平均精确率均值（mAP），相比无加权方法在两种损失函数下提高了3.3个百分点和5.1个百分点，相比本文所针对改进的有效样本加权方法在焦点损失函数下提高了2.1个百分点，说明该方法能提升YOLOv4-tiny网络对具有长尾数据特征的野生动物数据集的目标检测性能。

• 单位
  生命科学学院; 西华师范大学