[發(fā)明專利]一種基于特征金字塔網(wǎng)絡(luò)的反饋式目標(biāo)檢測方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201910276244.5
• 申請(qǐng)日: 2019-04-08
• 公開（公告）號(hào): CN111797846B
• 公開（公告）日: 2022-06-21
• 發(fā)明（設(shè)計(jì)）人: 劉怡光;暢青;馮晶明;苗文娟;薛凱
• 申請(qǐng)（專利權(quán)）人: 四川大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于特征金字塔網(wǎng)絡(luò)的反饋式目標(biāo)檢測方法，具體步驟為：

（1）訓(xùn)練目標(biāo)分類網(wǎng)絡(luò)ResNet101，并去除最后的softmax層，將其作為整體方法的網(wǎng)絡(luò)骨架，并將該骨架總體分為{ C1, C2, C3, C4, C5}5個(gè)層次；

（2）通過自頂向下和側(cè)向連接的方式，在{C3, C4, C5}之上建立特征金字塔結(jié)構(gòu){FP1, FP2, FP3, FP4, FP5}；其中，F(xiàn)P4由 C5經(jīng)過3×3的卷積層以及2×2的最大池化層后形成； FP5由FP4經(jīng)過3×3的卷積層以及2×2的最大池化層后形成；FP3由FP4進(jìn)行上采樣，經(jīng)3×3卷積后與C5進(jìn)行側(cè)向連接后形成；FP2由FP3進(jìn)行上采樣，經(jīng)3×3卷積后與C4進(jìn)行側(cè)向連接后形成；FP1由FP2進(jìn)行上采樣，經(jīng)3×3卷積后與C3進(jìn)行側(cè)向連接后形成；

（3）搭建L2S模塊，該模塊通過將深層特征圖上對(duì)大目標(biāo)精確的預(yù)測結(jié)果反饋到淺層特征圖上，對(duì)不同尺度的目標(biāo)間的相互關(guān)系進(jìn)行建模，具體步驟為：首先在特征金字塔網(wǎng)絡(luò)的頂層特征圖上預(yù)測大目標(biāo)，對(duì)特征圖上預(yù)測結(jié)果進(jìn)行簡化處理，抽取每一個(gè)位置得分最高的預(yù)測值形成6個(gè)特征圖，對(duì)簡化后的特征圖上采樣，使其與下一層特征圖具有相同的尺寸，將上采樣后的特征圖與特征金字塔上同尺寸的淺一層的特征圖進(jìn)行融合，作為參與預(yù)測的特征圖，循環(huán)進(jìn)行以上步驟，直到最淺層特征圖上的預(yù)測結(jié)果產(chǎn)生；

（4）在最終參與預(yù)測的特征圖{ F1, F2, F3, F4, FP5}上建立目標(biāo)分類子方法和坐標(biāo)值回歸子模塊，采用全卷積的方式對(duì)每一個(gè)位置的目標(biāo)類別和坐標(biāo)值進(jìn)行預(yù)測；其中，分類子模型是使用256個(gè)3×3的卷積核進(jìn)一步對(duì)參與預(yù)測的特征圖進(jìn)行特征提取，再通過K×A個(gè)3×3的卷積核卷積之后，采用sigmoid激活函數(shù)得到最終的目標(biāo)類別得分；回歸子模型是使用256個(gè)3×3的卷積核進(jìn)一步對(duì)參與預(yù)測的特征圖進(jìn)行特征提取，在提取特征之后直接用4×A個(gè)卷積核卷積之后得到最終的坐標(biāo)偏移值；其中，A是每一個(gè)層級(jí)上默認(rèn)框的種類數(shù)，K為目標(biāo)類別數(shù)；

（5）利用多任務(wù)損失函數(shù)對(duì)整體的網(wǎng)絡(luò)方法進(jìn)行訓(xùn)練，訓(xùn)練過程中保持骨架網(wǎng)絡(luò)的參數(shù)不變。