[發明專利]一種目標檢測器及其構建方法和應用

有效

• 申請號: 201910888965.1
• 申請日: 2019-09-19
• 公開（公告）號: CN110716792B
• 公開（公告）日: 2023-06-06
• 發明（設計）人: 胡靜;熊濤;盧鑫鑫;蔣侃;高翔;張旭陽;康愫愫
• 申請（專利權）人: 華中科技大學
• 主分類號: G06F9/46
• 分類號: G06F9/46;G06F18/24;G06N3/0464
• 代理公司: 華中科技大學專利中心 42201
• 代理人: 曹葆青;李智

1.一種目標檢測器的構建方法，其特征在于，包括：

搭建FasterR-CNN目標檢測模型框架，該框架包括區域建議網絡模塊和多個級聯的多核多背景檢測結構；數據集包括復雜背景圖像和簡單背景圖像；

采用所述區域建議網絡模塊，生成訓練樣本集；

基于所述訓練樣本集及其權重分布，采用損失函數，迭代訓練所述多個級聯的多核多背景檢測結構，得到FasterR-CNN目標檢測模型；對所述多核多背景檢測結構進行級聯提升，上一級的輸出作為下一級的輸入，以期提取豐富的圖像特征并加強整個檢測器的分離能力；

其中，每次迭代訓練時，訓練完每一個多核多背景檢測結構后，更新所述權重分布且其中損失函數值大的訓練樣本則其權重大，通過對各訓練樣本的當前損失函數值做加權和作為當前級檢測結構的分類結果，并基于所述更新的權重分布以及當前多核多背景檢測結構產生的回歸樣本，訓練級聯的下一個多核多背景檢測結構；

構建得到的所述FasterR-CNN目標檢測模型用于無人機檢測；

每個所述多核多背景檢測結構包括：依次連接的ROI池化層、Inception網絡結構、Maxout結構多背景分類框架和回歸器，其中，所述Inception網絡結構作為特征提取器，所述多背景分類框架作為分類器；Inception網絡結構的功能為對上一層特征向量使用不同大小的卷積核進行卷積，然后將不同尺度的特征進行融合，使得背景和目標的特征更有區分度，同時其所含參數少于Faster?R-CNN中原始特征提取器；所述多背景分類框架將輸入樣本即特征向量分為目標類別1、目標類別2、…、目標類別c、背景1、背景2、…、背景k共c+k種類別，用這種方式來描述復雜的背景，然后取背景1、背景2、…、背景k中的最高得分作為背景的得分，最終得到背景得分和各個目標類別的得分即損失函數值，提高目標和背景的區分度，采用softmax激活函數，得到c+k維置信度向量，其中，c表示目標類別個數，k表示背景類別個數，取背景1、背景2、…、背景k中的最高得分作為背景的得分；

所述迭代訓練，具體為：

s1、將所述訓練樣本集輸入到第一個多核多背景檢測結構，并初始化訓練樣本集的權重分布；

s2、當前多核多背景檢測結構中，特征提取器提取每個訓練樣本的特征向量，分類器采用softmax激活函數得到每個特征向量對應的最大類別置信度，回歸器對每個特征向量回歸得到新的特征向量；

s3、基于所述權重分布和每個訓練樣本的所述最大類別置信度，計算每個訓練樣本的當前損失函數值以及所有當前損失函數值之間的加和；

S4、將每個訓練樣本的當前損失函數值除以歸一化因子，作為所述權重分布中該訓練樣本的新的權重，將每個所述新的特征向量作為新的訓練樣本輸入至級聯的下一個多核多背景檢測結構，完成本次迭代訓練中當前多核多背景檢測結構的訓練并重復執行s2，直至所有多核多背景檢測結構完成，之后重復s1直至滿足迭代訓練次數，其中，所述歸一化因子為所有所述當前損失函數值的平均值；

所述s3中，計算每個訓練樣本的當前損失函數值，具體為：

計算每個訓練樣本的當前softmax損失函數值cls_loss＝w_(m-1)i×softmax_loss，w_(m-1)i為第i個訓練樣本在訓練上一個多核多背景檢測結構時得到的權重，m為當前多核多背景檢測結構的序號，softmax_loss＝-logP_i,i＝1,2,…N，P_i為第i個訓練樣本的最大類別置信度。

2.根據權利要求1所述的一種目標檢測器的構建方法，其特征在于，所述多核多背景檢測結構的個數為三個。

3.根據權利要求1所述的一種目標檢測器的構建方法，其特征在于，所述初始化訓練樣本集的權重分布為D₀＝(w₀₁,…w_0i,…w_0N),w_0i＝1,i＝1,2,…N，N為訓練樣本個數。

4.根據權利要求1所述的一種目標檢測器的構建方法，其特征在于，所述s2中，所述回歸器對每個特征向量回歸得到新的特征向量，具體為：

回歸器基于smooth?L1損失函數，并采用全連接層網絡，回歸得到新的特征向量。

5.一種存儲介質，其特征在于，所述存儲介質中存儲有指令，當計算機讀取所述指令時，使所述計算機執行上述如權利要求1至4任一項所述的一種目標檢測器的構建方法。