本文实验中使用的图像集来自于USTB-Helloear图像库27。该库采集于户外条件，采集了1570 个体的视频，包括姿态、光照、遮挡等变化情况，每个被采集者可获得平均约400幅的左右耳图像， 共约61万幅二维图像。 由于同一个体的左右耳结构基本相同，本文实验中随机选取1050个体，每人选取一幅左耳图 像，不同个体间存在光照和姿态变化，如图6()所示。为提取人耳关键曲线，每幅图像共标注耳轮、 对耳轮和耳甲三类，拟提取的关键人耳关键曲线和标注示例如图6(b)-6()所示。 a erlunerlun● duierlun_duierlun● erjiaerjia● (b) (c) (d) 图6图像集示例：(a)不同个体间的光照、姿态变化(b)原图：(c)关键曲线：(d)标注示例：(e)标签 Fig.6 Image dataset:(a)illumination and pose variations among different subjects(b)original image (c)key curves(d) annotation examples;(e)labels 2.3训练和测试结果分析 以下从模型精度和实时性两个方面将本文所述对YOLACT的两点改进与原始YOLACT模型进 行比较，以此说明ResNeSt主卡路和“筛选模板”策略这两点改进的有效性。 2.3.1模型精度的比较 实验中将所选1050幅图像分成5份，每份210幅，采用5折交叉验证进行网络训练。本文 所述改进YOLACT模型的练超参数如表1所示，其中“max size”表示输入网络的图像尺寸，默 认输入图像尺寸为550×550 “Ir steps'”表示训练过程中下学习率进行衰减的迭代轮数， max iter”表示训练的最太迭代轮数， “batch size”表示同一批次处理的图像数量。 表1训练超参数 Table 1 Training hyperparameter Parameter Value 550 (30000,60000,90000) max iter 120000 batch size 8 本文所述改进YOLACT模型训练中的损失曲线如图7所示，横坐标使用训练次数epoch,纵坐 标分别是位置损失、分类损失和模板损失，从图中可以看出三种损失都呈现收敛的趋势。本文实验中使用的图像集来自于 USTB-Helloear 图像库[27]。该库采集于户外条件，采集了 1570 个体的视频，包括姿态、光照、遮挡等变化情况，每个被采集者可获得平均约 400 幅的左右耳图像， 共约 61 万幅二维图像。 由于同一个体的左右耳结构基本相同，本文实验中随机选取 1050 个体，每人选取一幅左耳图 像，不同个体间存在光照和姿态变化，如图 6(a)所示。为提取人耳关键曲线，每幅图像共标注耳轮、 对耳轮和耳甲三类，拟提取的关键人耳关键曲线和标注示例如图 6(b)-6(e)所示。 (a) (b) (c) (d) (e) 图 6 图像集示例：(a)不同个体间的光照、姿态变化 (b) 原图; (c) 关键曲线; (d) 标注示例; (e) 标签 Fig.6 Image dataset: (a) illumination and pose variations among different subjects (b) original image (c) key curves (d) annotation examples; (e) labels 2.3 训练和测试结果分析 以下从模型精度和实时性两个方面将本文所述对 YOLACT 的两点改进与原始 YOLACT 模型进 行比较，以此说明 ResNeSt 主干网络和“筛选模板”策略这两点改进的有效性。 2.3.1 模型精度的比较 实验中将所选 1050 幅左耳图像分成 5 份，每份 210 幅，采用 5 折交叉验证进行网络训练。本文 所述改进 YOLACT 模型的训练超参数如表 1 所示，其中“max_size”表示输入网络的图像尺寸，默 认输入图像尺寸为 550×550，“lr_steps”表示训练过程中下学习率进行衰减的迭代轮数， “max_iter”表示训练的最大迭代轮数，“batch_size”表示同一批次处理的图像数量。 表 1 训练超参数 Table 1 Training hyperparameter Parameter Value max_size 550 lr_steps (30000, 60000, 90000) max_iter 120000 batch_size 8 本文所述改进 YOLACT 模型训练中的损失曲线如图 7 所示，横坐标使用训练次数 epoch，纵坐 标分别是位置损失、分类损失和模板损失，从图中可以看出三种损失都呈现收敛的趋势。 录用稿件，非最终出版稿