[發明專利]一種基于BSSD的目標檢測方法與裝置

在審

• 申請號: 201910084798.5
• 申請日: 2019-01-29
• 公開（公告）號: CN109858547A
• 公開（公告）日: 2019-06-07
• 發明（設計）人: 楊鵬;陳飛翔;李幼平;萬兵
• 申請（專利權）人: 東南大學
• 主分類號: G06K9/62
• 分類號: G06K9/62
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 孟紅梅

1.一種基于BSSD的目標檢測方法，其特征在于：包括如下步驟：

(1)將訓練集的圖像進行去均值處理并歸一化到指定的大小；

(2)利用訓練集對構建的BSSD網絡模型進行訓練；所述BSSD網絡模型基于SSD網絡模型構建，通過線性插值將相對較低的高層特征層與其之前的SSD用于檢測最小目標的特征層進行融合，并通過passthrough的方法將相對較高的低層特征層與融合后的特征層進行拼接得到用于小目標檢測的特征層；

(3)利用訓練好的BSSD網絡模型對測試圖像中的目標進行檢測，根據設置的閾值剔除檢測置信度較低的檢測框，并通過非極大值抑制的方法進一步減少檢測框數目，對檢測出的目標進行標注。

2.根據權利要求1所述的基于BSSD的目標檢測方法，其特征在于：所述BSSD網絡模型首先利用雙線性插值算法將SSD中的第七個特征層上采樣到與第四個卷積模塊的第三個特征層同樣的大小，并通過按位相加的方式與第四個卷積模塊的第三個特征層進行融合；然后通過passthrough的方法對第三個卷積模塊的第三個特征層的進行修改，拼接到上一步融合的特征層，得到用于小目標檢測的特征層。

3.根據權利要求2所述的基于BSSD的目標檢測方法，其特征在于：融合SSD的第七個特征層和第四個卷積模塊的第三個特征層時，通過1×1卷積減少上采樣第七個特征層得到的特征圖的通道數，并以按位和的方式與第四個卷積模塊的第三個特征層進行融合，然后使用3×3的卷積核對融合后的特征進行卷積，以消除上采樣的混疊效應。

4.根據權利要求1所述的基于BSSD的目標檢測方法，其特征在于：所述步驟(2)中訓練BSSD網絡模型時，使用K-means聚類算法對數據集中的真實框進行聚類，并根據聚類結果及交叉驗證的方式確定BSSD中默認框的尺度及長寬比。

5.根據權利要求1所述的基于BSSD的目標檢測方法，其特征在于：所述步驟(2)中訓練BSSD網絡模型時，改進SSD訓練方案中的數據擴增策略，增加小采樣比例。

6.根據權利要求1所述的基于BSSD的目標檢測方法，其特征在于：所述步驟(2)中訓練BSSD網絡模型時，使用VGGNet預訓練模型初始化BSSD中基礎神經網絡的參數。

7.根據權利要求1所述的基于BSSD的目標檢測方法，其特征在于：訓練BSSD網絡模型的總目標損失函數定位損失L_loc和置信度損失L_conf加權求和獲得；所述置信度損失L_conf的計算公式如下：

其中：表示第i個默認邊界框與類別p的第j個真實邊界框是否匹配，N是與真實邊界框相匹配的默認邊界框的個數，是第i個默認邊界框類別為p的置信度，β_p是類別為p的權重因子，β₀是類別為背景的權重因子，γ是聚焦參數，是第i個默認邊界框類別為背景的置信度，Pos表示所有的正樣本，Neg表示所有的負樣本。

8.一種基于BSSD的目標檢測裝置，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述計算機程序被加載至處理器時實現根據權利要求1-7任一項所述的基于BSSD的目標檢測方法。

9.一種存儲裝置，存儲有可在處理器上運行的計算機程序，其特征在于，所述計算機程序被加載至處理器時實現根據權利要求1-7任一項所述的基于BSSD的目標檢測方法。