[發(fā)明專利]一種多特征提取網(wǎng)絡(luò)的目標(biāo)檢測方法

有效

• 申請?zhí)枺?/td>: 202010128994.0
• 申請日: 2020-02-28
• 公開（公告）號(hào): CN113326858B
• 公開（公告）日: 2023-08-22
• 發(fā)明（設(shè)計(jì)）人: 袁三男;孫哲;劉志超
• 申請（專利權(quán)）人: 上海電力大學(xué)
• 主分類號(hào): G06V10/764
• 分類號(hào): G06V10/764;G06V10/82;G06V10/766;G06N3/0464;G06N3/08
• 代理公司: 南京禹為知識(shí)產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 32272
• 代理人: 王曉東

本發(fā)明提供一種多特征提取網(wǎng)絡(luò)的目標(biāo)檢測方法，搭建網(wǎng)絡(luò)結(jié)構(gòu)，針對FasterR?CNN算法不足，為候選區(qū)域生成網(wǎng)絡(luò)和分類回歸網(wǎng)絡(luò)設(shè)置獨(dú)立的特征提取網(wǎng)絡(luò)，使候選區(qū)域生成網(wǎng)絡(luò)學(xué)習(xí)的特征由FPN提取且不會(huì)進(jìn)入到分類回歸網(wǎng)絡(luò)中，分類回歸網(wǎng)絡(luò)學(xué)習(xí)的特征由CNN提取，初始化特征提取網(wǎng)絡(luò)，然后對候選區(qū)域網(wǎng)絡(luò)和分類回歸網(wǎng)絡(luò)進(jìn)行一定標(biāo)準(zhǔn)差高斯分布隨機(jī)初始化，訓(xùn)練網(wǎng)絡(luò)模型程中需要分為候選區(qū)域生成子網(wǎng)絡(luò)和分類回歸子網(wǎng)絡(luò)兩個(gè)子網(wǎng)絡(luò)進(jìn)行訓(xùn)練，下載臺(tái)標(biāo)數(shù)據(jù)集，該數(shù)據(jù)集包括多種目標(biāo)類別，通過選用多特征提取網(wǎng)絡(luò)的輸出作為輸入，極大提高了網(wǎng)絡(luò)的性能。

技術(shù)領(lǐng)域

本發(fā)明涉及目標(biāo)檢測算法的優(yōu)化領(lǐng)域技術(shù)領(lǐng)域，特別是，涉及一種多特征提取網(wǎng)絡(luò)的目標(biāo)檢測方法。

背景技術(shù)

目前，在Faster?R-CNN算法中，F(xiàn)aster?R-CNN網(wǎng)絡(luò)需要對整體的輸入圖像進(jìn)行特征提取，并對其進(jìn)行候選區(qū)域的生成與分類。候選區(qū)域生成網(wǎng)絡(luò)和分類回歸網(wǎng)絡(luò)共享同一個(gè)特征提取網(wǎng)絡(luò)，特征提取網(wǎng)絡(luò)輸出的特征將不加區(qū)分地直接送到候選區(qū)域生成網(wǎng)絡(luò)和分類回歸網(wǎng)絡(luò)中。候選區(qū)域生成主要區(qū)分背景與目標(biāo)之間的差異；分類回歸網(wǎng)絡(luò)主要區(qū)分不同目標(biāo)之間的特征差異。令二者共用同一個(gè)特征提取網(wǎng)絡(luò)的輸出作為輸入，會(huì)對網(wǎng)絡(luò)的性能造成一定程度的影響。

發(fā)明內(nèi)容

本部分的目的在于概述本發(fā)明的實(shí)施例的一些方面以及簡要介紹一些較佳實(shí)施例。在本部分以及本申請的說明書摘要和發(fā)明名稱中可能會(huì)做些簡化或省略以避免使本部分、說明書摘要和發(fā)明名稱的目的模糊，而這種簡化或省略不能用于限制本發(fā)明的范圍。

因此，本發(fā)明要解決的技術(shù)問題在于克服現(xiàn)有技術(shù)中共用同一個(gè)特征提取網(wǎng)絡(luò)的輸出作為輸入，會(huì)對網(wǎng)絡(luò)的性能造成一定程度影響的缺陷，從而提供一種多特征提取網(wǎng)絡(luò)的目標(biāo)檢測方法。

為解決上述技術(shù)問題，本發(fā)明提供如下技術(shù)方案：一種多特征提取網(wǎng)絡(luò)的目標(biāo)檢測方法，包括：

搭建網(wǎng)絡(luò)結(jié)構(gòu)；

初始化FPN特征提取網(wǎng)絡(luò)；

訓(xùn)練網(wǎng)絡(luò)模型；

下載臺(tái)標(biāo)數(shù)據(jù)庫；

對比兩種模型的檢測結(jié)果。

作為本發(fā)明所述多特征提取網(wǎng)絡(luò)的目標(biāo)檢測方法的一種優(yōu)選方案，其中：搭建網(wǎng)絡(luò)結(jié)構(gòu)，針對FasterR-CNN算法不足，為候選區(qū)域生成網(wǎng)絡(luò)和分類回歸網(wǎng)絡(luò)設(shè)置獨(dú)立的特征提取網(wǎng)絡(luò)，使候選區(qū)域生成網(wǎng)絡(luò)學(xué)習(xí)的特征由FPN提取且不會(huì)進(jìn)入到分類回歸網(wǎng)絡(luò)中，分類回歸網(wǎng)絡(luò)學(xué)習(xí)的特征由CNN提取。

作為本發(fā)明所述多特征提取網(wǎng)絡(luò)的目標(biāo)檢測方法的一種優(yōu)選方案，其中：初始化特征提取網(wǎng)絡(luò)，然后對候選區(qū)域網(wǎng)絡(luò)和分類回歸網(wǎng)絡(luò)進(jìn)行一定標(biāo)準(zhǔn)差的高斯分布隨機(jī)初始化。

作為本發(fā)明所述多特征提取網(wǎng)絡(luò)的目標(biāo)檢測方法的一種優(yōu)選方案，其中：訓(xùn)練網(wǎng)絡(luò)模型的過程中需要分為候選區(qū)域生成子網(wǎng)絡(luò)和分類回歸子網(wǎng)絡(luò)兩個(gè)子網(wǎng)絡(luò)進(jìn)行訓(xùn)練。

作為本發(fā)明所述多特征提取網(wǎng)絡(luò)的目標(biāo)檢測方法的一種優(yōu)選方案，其中：下載臺(tái)標(biāo)數(shù)據(jù)庫，包括多個(gè)衛(wèi)星衛(wèi)視及網(wǎng)絡(luò)衛(wèi)視的臺(tái)標(biāo)，樣本隨機(jī)分為訓(xùn)練集和測試集。

作為本發(fā)明所述多特征提取網(wǎng)絡(luò)的目標(biāo)檢測方法的一種優(yōu)選方案，其中：對比兩種模型的檢測結(jié)果，經(jīng)過多特征提取網(wǎng)絡(luò)改進(jìn)的算法比傳統(tǒng)Faster?RCNN算法的準(zhǔn)確率有一定的提升。

本發(fā)明的有益效果：

本發(fā)明提供一種多特征提取網(wǎng)絡(luò)的目標(biāo)檢測方法，通過選用多特征提取網(wǎng)絡(luò)的輸出作為輸入，極大提高了網(wǎng)絡(luò)的性能。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例的技術(shù)方案，下面將對實(shí)施例描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些附圖獲得其它的附圖。其中：