[發明專利]一種基于特征金字塔網絡的反饋式目標檢測方法

有效

• 申請號: 201910276244.5
• 申請日: 2019-04-08
• 公開（公告）號: CN111797846B
• 公開（公告）日: 2022-06-21
• 發明（設計）人: 劉怡光;暢青;馮晶明;苗文娟;薛凱
• 申請（專利權）人: 四川大學
• 主分類號: G06V10/764
• 分類號: 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

本發明提出了一種新穎的、穩定的單階段目標檢測方法，以提高目標檢測精確度和召回率。本方法采用了殘差網絡和特征金字塔等目標檢測技術：利用殘差網絡的跳躍連接不斷加深目標檢測模型的深度，有效提高網絡的分辨能力和優化速度；利用特征金子塔網絡將深層網絡和淺層網絡互連，使得淺層高分辨率的特征圖同樣包含高層級的語義信息；同時，本方法創新性的提出了一個新的關系模塊，稱為L2Smodule，該模塊通過將頂層特征圖上對大目標精確的預測結果反饋到淺層特征圖上，對不同尺度的目標間的相互關系進行有效建模，從而通過相對精確的大目標的檢測結果促進小目標的檢測。實驗結果表明本方法實現了比目前常用的頂級目標檢測方法更好的檢測性能。

技術領域

本發明涉及一種基于深度卷積神經網絡的目標檢測方法，用來提高目標檢測模型對圖片中目標，尤其是微小目標的識別效率以及定位精度。本方法首先在深層級的特征圖上對大目標進行預測，然后將預測結果反饋到淺層特征圖上，相互融合之后再對微小目標進行預測，從而更好的對圖片中各種尺度的目標進行識別。屬于圖像處理領域。

背景技術

目標檢測作為計算機視覺的一項基礎性工作，在行人檢測、車牌識別、無人駕駛等領域都具有重要的研究價值，因而長期受到了廣泛性的關注。目前，頂級的目標檢測方法幾乎都采用深度卷積網絡的架構，并且主要劃分為兩個流派：一個是以faster RCNN為主導，基于候選區域范式的兩階段目標檢測方法。這類檢測器首先產生候選區域（regionproposals），然后對候選區域進行目標分類以及位置精修。另一個是端到端的以RetinaNet，SSD等為主導的單階段目標檢測方法，這類方法不需要region proposal階段，而是直接產生預測目標的類別概率和位置坐標值。無論是單階段檢測方法還是兩階段檢測方法，其發展和改進都是為了獲得更高的檢測精度以及更快的檢測速度。

單階段檢測方法不需要產生region proposals的過程，因而網絡模型更加簡潔高效，但精度卻很低。尤其是在微小目標的檢測上，其精確度和召回率都遠遠低于RFCN等兩階段檢測方法。為此，很多單檢測方法嘗試采用新穎的網絡結構設計和一些巧妙的訓練技巧去提高目標檢測的精度。YOLO的衍生模型（YOLOv2,v3）利用Batch Normalization、HighResolution Classifier等一系列技巧，并產生了顯著的效果。SSD的衍生模型（也就是DSSD，FSSD，ESSD）以不同的方式將各個層的特征圖進行融合，然后在融合的特征圖上進行預測。盡管目標檢測的模型和方法發展迅速，但目前幾乎所有主流的方法都獨立的預測圖片中的各個目標，而忽略了目標之間的相互聯系。為此，本方法創新性的提出了一個全新的模塊L2S-module，該模塊會將深層特征圖上對大目標精確的預測結果反饋到淺層特征圖上，利用神經網絡對不同尺度的目標間的相互關系進行建模，從而利用相對精確的大目標的檢測結果促進網絡對小目標的檢測，有效地緩解了單精度檢測器低精確度和低召回率的弊病，并進一步提高了目標檢測的性能與精度。

發明內容

本發明所要解決的技術問題是：利用卷積神經網絡不斷挖掘圖片中不同尺度目標之間的相關性，進而大大提高單階段目標檢測方法的精度。

本發明的解決方案是：對于特征金字塔網絡產生多個尺度的特征圖，先在深層特征圖上預測相對較大的目標，然后將預測結果整合處理后反饋到淺層特征圖上，以此方式建立深層特征圖上的預測結果到淺層網絡的反饋鏈路。大目標的預測信息通過反饋鏈路與淺層級特征圖相互融合后再預測相對較小的目標。從而提高小目標的檢測效果。

本發明為實現上訴解決方案，及其方法步驟如下所示：

1.訓練ResNet01目標分類網絡，將其作為目標檢測網絡的骨架。

2.在目標分類網絡上搭建特征金字塔網絡。

3.引入L2S moudle。

4.在最終形成的特征圖上搭建目標分類子模型和坐標回歸子模型。

5.采用多任務損失函數進行網絡訓練。