小思考和小创新：自创一种小目标的分割和损失加权方法

最新推荐文章于 2024-01-29 17:32:37 发布

原创最新推荐文章于 2024-01-29 17:32:37 发布 · 2.3k 阅读

22 ·

CC 4.0 BY-SA版权

文章标签：

#深度学习 #目标检测 #语义分割 #计算机视觉

计算机视觉专栏收录该内容

7 篇文章

订阅专栏

本文介绍了一种针对小目标检测与分割的加权方法，通过计算目标面积并使用自适应阈值来识别小物体，进而调整损失函数中的权重以优化训练过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一.基本思路

最近在整理小目标的检测和分割的方法的时候，想到了基于目标面积加权的一种思路，现在记录下，后面有机会验证下，基本思路如下：

1.找到mask里所有的目标轮廓
2.计算所有poly的面积
3.自适应阈值比例判断哪些是小物体
4.重新填充这些小物体
5.拿到新的mask后映射为权重图
6.根据权重图对CE进行小目标加权

二.源代码

import cv2
import numpy as np
import random
import torch
import matplotlib.pyplot as plt
AREA_THS = 30

def mask_small_object(mask, area_thresh, pixels=[0, 1, 2], weights=[0.5, 1.0, 10.0]):
    """
    :param mask: 输入mask掩码
    :param area_thresh: 小物体的阈值，面积小于该值认为是小物体
    :param pixels: 背景 小物体 大物体的mask值
    :param weight: 背景，前景大物体，前景小物体的权重
    :return: 权重图
    """


    contours, hierarchy = cv2.findContours(mask,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
    area = []
    for i in range(len(contours)):
        area.append(cv2.contourArea(contours[i]))

    for i in range(len(area)):
        if area[i] < area_thresh:
            cv2.fillPoly(mask, [contours[i]], (2, ))
    for i in range(len(pixels)):
        mask[mask==[pixels[i]]] = weights[i]
    return mask

def mask_cross_entropy(y, y_hat, weight):
    n = 1e-7
    # return -np.sum(y * np.log(y_hat + n) + (1 - y) * np.log(1 - y_hat + n), axis=1)
    assert y.shape == y_hat.shape
    entro = (y * np.log(y_hat + n) + (1 - y) * np.log(1 - y_hat + n))
    mask_entro = entro * weight
    res = -np.mean(mask_entro)
    return round(res, 5)

if __name__ == '__main__':
    AREA_THS = 30
    img = np.zeros(shape=(512, 512, 3), dtype=np.uint8)
    label = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    for i in range(10):
        x, y = random.randint(10, 500), random.randint(10, 500)
        r = random.randint(1, 10)
        cv2.circle(label, (x, y), radius=r, color=(1), thickness=-1)
    weight = mask_small_object(label, area_thresh=AREA_THS)
    pred = np.abs(np.random.rand(512, 512))
    print(mask_cross_entropy(label, pred, weight))