[發(fā)明專利]一種基于感知生成對(duì)抗網(wǎng)絡(luò)的小目標(biāo)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710686291.8
• 申請(qǐng)日: 2017-08-11
• 公開(kāi)（公告）號(hào): CN107451619A
• 公開(kāi)（公告）日: 2017-12-08
• 發(fā)明（設(shè)計(jì)）人: 夏春秋
• 申請(qǐng)（專利權(quán)）人: 深圳市唯特視科技有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于感知生成對(duì)抗網(wǎng)絡(luò)的小目標(biāo)檢測(cè)方法，其特征在于，主要包括生成對(duì)抗網(wǎng)絡(luò)(一)；條件生成網(wǎng)絡(luò)架構(gòu)(二)；鑒別網(wǎng)絡(luò)架構(gòu)(三)。

2.基于權(quán)利要求書(shū)1所述的感知生成對(duì)抗網(wǎng)絡(luò)，其特征在于，由兩個(gè)子網(wǎng)絡(luò)組成，即發(fā)生器網(wǎng)絡(luò)和感知鑒別網(wǎng)絡(luò)；發(fā)生器是一種基于殘差的深度特征生成模型，通過(guò)引入較低級(jí)別的細(xì)粒度，將小目標(biāo)的原始劣勢(shì)特征轉(zhuǎn)化為高度辨別的特征，從而實(shí)現(xiàn)了“超分辨率”；鑒別網(wǎng)絡(luò)作為監(jiān)督，能夠提供質(zhì)量的指導(dǎo)和生成的細(xì)粒度細(xì)節(jié)；鑒別網(wǎng)絡(luò)的訓(xùn)練不僅僅是為了區(qū)分生成的小目標(biāo)的超分辨率表示和來(lái)自具有對(duì)抗性損失的真實(shí)的大目標(biāo)的原始超分辨率表示，而且還用于證明從產(chǎn)生的具有感知損失的超分辨特征中獲得的檢測(cè)準(zhǔn)確性。

3.基于權(quán)利要求書(shū)1所述的生成對(duì)抗網(wǎng)絡(luò)(一)，其特征在于，生成對(duì)抗網(wǎng)絡(luò)的學(xué)習(xí)目標(biāo)為：

其中，G表示通過(guò)數(shù)據(jù)x學(xué)習(xí)將數(shù)據(jù)z從噪聲分布p_z(x)映射到分布p_data(x)的發(fā)生器，D表示估計(jì)來(lái)自數(shù)據(jù)分布p_data(x)的樣本概率的鑒別器；

x和z分別是大目標(biāo)和小目標(biāo)的表示，即F_l和F_s；學(xué)習(xí)一個(gè)發(fā)生器函數(shù)G，它將一個(gè)小目標(biāo)F_s的表示變換成一個(gè)類似于大目標(biāo)F_l的原始目標(biāo)的超分辨表示G(F_s)；由于F_s中包含的信息有限，學(xué)習(xí)與大目標(biāo)特征F_l的分布相匹配的小目標(biāo)的表示G(F_s)很困難；因此，引入一種新的條件發(fā)生器模型，該模型基于額外的輔助信息，即小目標(biāo)f的低級(jí)特征，發(fā)生器通過(guò)殘差學(xué)習(xí)生成大目標(biāo)和小目標(biāo)的之間的殘差表示；

在這種情況下，可以通過(guò)直接學(xué)習(xí)小目標(biāo)的超分辨表示來(lái)簡(jiǎn)化發(fā)生器的訓(xùn)練過(guò)程；例如，如果輸入表示來(lái)自大目標(biāo)，則發(fā)生器只需要學(xué)習(xí)零映射。

4.基于權(quán)利要求書(shū)3所述的鑒別器，其特征在于，包括兩個(gè)分支，即用于區(qū)分生成的超分辨表示和用于大目標(biāo)的原始表示的對(duì)抗分支，以及用于證明從生成的表示中獲得的檢測(cè)精度的感知分支；以替代的方式優(yōu)化嵌入在發(fā)生器和鑒別網(wǎng)絡(luò)中的參數(shù)，解決對(duì)抗網(wǎng)絡(luò)最小-最大問(wèn)題；

將表示為參數(shù)Θ_g的生成網(wǎng)絡(luò)；通過(guò)優(yōu)化損失函數(shù)L_dis獲得Θ_g：

Θg=argminΘgLdis(GΘg(Fs))---(3)]]>

其中，L_dis是對(duì)抗損失和鑒別網(wǎng)絡(luò)產(chǎn)生的感知損失的加權(quán)組合；訓(xùn)練鑒別網(wǎng)絡(luò)的對(duì)抗分支，通過(guò)為小目標(biāo)生成的超分辨特征和大目標(biāo)F_l的特征分配標(biāo)簽將概率最大化。