[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

本發明屬于圖像檢測技術領域，具體提供了一種基于稠密連接的深度學習物體檢測方法及裝置，旨在解決現有技術難以準確檢測圖像中較小物體的問題。為此目的，在本發明基于稠密連接的深度學習物體檢測方法中，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，得到輸入圖像中物體的分類結果和坐標位置。本發明的方法能夠提取輸入圖像的多尺度特征，從而能夠更好地描述圖像中的小物體。同時，本發明的裝置能夠執行上述方法。

技術領域

本發明屬于圖像檢測技術領域，具體涉及一種基于稠密連接的深度學習物體檢測方法及裝置。

背景技術

隨著神經網絡、計算機視覺、人工智能以及機器感知等技術的發展，物體檢測作為上述技術重要的組成部分，也得到了長足的發展，物體檢測是指利用計算機對圖像進行分析，得到圖像中物體的位置信息和類別信息。傳統的物體檢測方法是依靠人工設計的特征識別圖像中物體的位置信息和類別信息，但是人工設計的特征很容易受到光線變化、物體顏色變化以及背景嘈雜的干擾，導致在實際應用中魯棒性差，難以滿足用戶的精度要求。

隨著神經網絡的發展，基于深度卷積神經網絡的物體檢測方法在一定程度上克服了傳統物體檢測方法的缺陷，提高了魯棒性，但是其對圖像中尺寸較小物體(像素小于32*32的物體)的檢測效果仍不夠理想，由于尺寸較小的物體在圖像中所占尺寸太小，基于深度卷積神經網絡的物體檢測方法難以生成合適的特征表達，而圖像的特征表達是對圖像的抽象描述，能夠代表圖像的特點，特征的好壞直接影響著物體檢測結果，現有的物體檢測方法難以得到正確的檢測結果，因此，如何提出一種解決上述問題的方案是本領域技術人員目前需要解決的問題。

發明內容

為了解決現有技術中的上述問題，即為了解決現有技術難以準確檢測圖像中較小物體的問題，本發明提供了一種基于稠密連接的深度學習物體檢測方法，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。

在上述方法的優選技術方案中，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。

在上述方法的優選技術方案中，“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)