[發(fā)明專利]一種基于感知生成對抗網(wǎng)絡的小目標檢測方法

在審

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

技術領域

本發(fā)明涉及目標檢測領域，尤其是涉及了一種基于感知生成對抗網(wǎng)絡的小目標檢測方法。

背景技術

隨著計算機技術的發(fā)展和計算機視覺原理的廣泛應用，利用計算機圖像處理技術對小目標進行實時跟蹤研究越來越熱門，對小目標進行動態(tài)實時跟蹤定位在智能化交通系統(tǒng)、智能監(jiān)控系統(tǒng)、軍事目標檢測及醫(yī)學導航手術中手術器械定位等方面具有廣泛的應用價值。例如，在交通系統(tǒng)中用于交通標志檢測、行人檢測、車輛檢測；在軍事領域中用于偵查、制導和報警系統(tǒng)等方面。生成對抗網(wǎng)絡近年來越來越火，并且已經(jīng)成為人工智能的主要課題之一，它是一種生成模型，從訓練庫里獲取很多訓練樣本，從而學習這些訓練案例生成的概率分布。通過不斷地訓練測試，可以應用在圖像轉化以及圖像文字轉化等領域，甚至還可以應用于目標檢測。然而，傳統(tǒng)的小目標檢測方法無法將低分辨率圖像重建為高清圖像，而且訓練和測試耗時長，不利于投入應用。

本發(fā)明提出了一種基于感知生成對抗網(wǎng)絡的小目標檢測方法，由發(fā)生器網(wǎng)絡和感知鑒別網(wǎng)絡兩個子網(wǎng)絡組成，發(fā)生器網(wǎng)絡將一個小目標的表示變換成一個類似于大目標的原始目標的超分辨表示，通過殘差學習生成大目標和小目標的之間的殘差表示，鑒別網(wǎng)絡將生成的超分辨率表示作為輸入，將其傳遞到對抗分支和感知分支兩個分支，激勵發(fā)生器網(wǎng)絡生成具有高檢測精度的超分辨率表示。本發(fā)明提出了基于感知生成對抗網(wǎng)絡的小目標檢測方法，通過縮小小目標與大目標的表示差異來改善小目標檢測，提供了更全面的監(jiān)督，更加有利于檢測，實現(xiàn)了交通標志檢測和行人檢測的成功應用。

發(fā)明內容

針對訓練和測試耗時長的問題，本發(fā)明的目的在于提供一種基于感知生成對抗網(wǎng)絡的小目標檢測方法，由發(fā)生器網(wǎng)絡和感知鑒別網(wǎng)絡兩個子網(wǎng)絡組成，發(fā)生器網(wǎng)絡將一個小目標的表示變換成一個類似于大目標的原始目標的超分辨表示，通過殘差學習生成大目標和小目標的之間的殘差表示，鑒別網(wǎng)絡將生成的超分辨率表示作為輸入，將其傳遞到對抗分支和感知分支兩個分支，激勵發(fā)生器網(wǎng)絡生成具有高檢測精度的超分辨率表示。

為解決上述問題，本發(fā)明提供一種基于感知生成對抗網(wǎng)絡的小目標檢測方法，其主要內容包括：

(一)生成對抗網(wǎng)絡；

(二)條件生成網(wǎng)絡架構；

(三)鑒別網(wǎng)絡架構。

其中，所述的感知生成對抗網(wǎng)絡，由兩個子網(wǎng)絡組成，即發(fā)生器網(wǎng)絡和感知鑒別網(wǎng)絡；發(fā)生器是一種基于殘差的深度特征生成模型，通過引入較低級別的細粒度，將小目標的原始劣勢特征轉化為高度辨別的特征，從而實現(xiàn)了“超分辨率”；鑒別網(wǎng)絡作為監(jiān)督，能夠提供質量的指導和生成的細粒度細節(jié)；鑒別網(wǎng)絡的訓練不僅僅是為了區(qū)分生成的小目標的超分辨率表示和來自具有對抗性損失的真實的大目標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準確性。

其中，所述的生成對抗網(wǎng)絡，生成對抗網(wǎng)絡的學習目標為：

其中，G表示通過數(shù)據(jù)x學習將數(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表示估計來自數(shù)據(jù)分布p_data(x)的樣本概率的鑒別器；

x和z分別是大目標和小目標的表示，即F_l和F_s；學習一個發(fā)生器函數(shù)G，它將一個小目標F_s的表示變換成一個類似于大目標F_l的原始目標的超分辨表示G(F_s)；由于F_s中包含的信息有限，學習與大目標特征F_l的分布相匹配的小目標的表示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f的低級特征，發(fā)生器通過殘差學習生成大目標和小目標的之間的殘差表示；

在這種情況下，可以通過直接學習小目標的超分辨表示來簡化發(fā)生器的訓練過程；例如，如果輸入表示來自大目標，則發(fā)生器只需要學習零映射。

進一步地，所述的鑒別器，包括兩個分支，即用于區(qū)分生成的超分辨表示和用于大目標的原始表示的對抗分支，以及用于證明從生成的表示中獲得的檢測精度的感知分支；以替代的方式優(yōu)化嵌入在發(fā)生器和鑒別網(wǎng)絡中的參數(shù)，解決對抗網(wǎng)絡最小-最大問題；

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