[發明專利]基于稠密連接的深度學習物體檢測方法及裝置

有效

• 申請號: 201810329940.3
• 申請日: 2018-04-13
• 公開（公告）號: CN108764247B
• 公開（公告）日: 2020-11-10
• 發明（設計）人: 趙鑫;黃凱奇;徐沛
• 申請（專利權）人: 中國科學院自動化研究所
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04
• 代理公司: 北京市恒有知識產權代理事務所(普通合伙) 11576
• 代理人: 郭文浩

1.一種基于稠密連接的深度學習物體檢測方法，其特征在于，所述方法包括：

基于預先構建的物體檢測網絡模型對輸入圖像進行物體檢測，得到所述輸入圖像中物體的分類結果和坐標位置；

其中，

所述物體檢測網絡模型基于卷積神經網絡模型構建，包括特征提取模塊、融合模塊、聚合模塊以及預測模塊；

所述特征提取模塊基于探索函數和保持函數構建，用于提取所述輸入圖像的多尺度特征；

所述融合模塊基于特征融合函數和反卷積函數構建，用于調整所述多尺度特征的通道數并對所述多尺度特征進行融合；

所述聚合模塊基于卷積函數構建，用于調整進行融合后的多尺度特征的空間關系；

所述預測模塊基于卷積函數和損失函數構建，用于檢測物體的尺寸，輸出物體的類別置信度和坐標位置；

其中，

所述特征提取模塊提取所述輸入圖像的多尺度特征的方法為：

所述特征提取模塊的探索函數對所述輸入圖像的中間特征進行第一下采樣操作，得到第一尺度特征；

所述特征提取模塊的保持函數對所述輸入圖像的中間特征進行第二下采樣操作，得到第二尺度特征；

將所述第一尺度特征和所述第二尺度特征進行拼接操作，得到所述輸入圖像的多尺度特征。

2.根據權利要求1所述的方法，其特征在于，所述融合模塊對所述多尺度特征進行融合的方法為：

對所述多尺度特征進行反卷積上采樣操作，得到第三尺度特征；

利用特征融合函數對所述第三尺度特征和所述多尺度特征進行融合操作，得到融合特征。

3.根據權利要求2所述的方法，其特征在于，“對所述第三尺度特征和所述多尺度特征進行融合操作”，其方法如下公式所示：

r_k＝S_k(U_k(r_k+1),y_k)

其中，r_k表示融合特征，S_k表示特征融合函數，U_k表示反卷積上采樣函數，y_k表示多尺度特征，k表示中間變量。

4.根據權利要求3所述的方法，其特征在于，聚合模塊調整進行融合后的多尺度特征的空間關系的方法為：

對所述融合特征進行卷積操作，具體方法如下公式所示：

若所述融合特征的尺度小于5，則無需進行卷積操作，若所述融合特征的尺度大于或等于5，則通過拼接經過4步卷積操作之后的所述融合特征得到聚合特征，其中，r_k表示融合特征，表示以1×1的卷積核對r_k進行填充為0的卷積操作；表示以3×3的卷積核對r_k進行填充為1的卷積操作；表示對r_k進行3×3的池化操作，再以1×1的卷積核對r_k進行填充為0的卷積操作；表示以2個連續的3×3的卷積核對r_k進行填充為1的卷積操作，表示所述聚合模塊對所述融合特征進行卷積操作后得到的聚合特征，size(r_k)表示所述融合特征的尺度。

5.根據權利要求1-4任一項所述的方法，其特征在于，獲取物體的類別置信度和坐標位置，其方法如下公式所示：

其中，N表示正樣本的個數，L_cls表示分類任務的損失函數，L_loc表示坐標回歸任務的損失函數，和分別表示深度學習網絡模型輸出的類別置信度和坐標位置，c和l分別表示標準的類別置信度和坐標位置。

6.根據權利要求5所述的方法，其特征在于，獲取物體的類別置信度之后，該方法還包括：

將所述物體的類別置信度輸入softmax函數，得到物體的分類結果。