[發明專利]一種目標檢測模型的訓練方法、目標快速檢測方法

有效

• 申請號: 202010243802.0
• 申請日: 2020-03-31
• 公開（公告）號: CN111461213B
• 公開（公告）日: 2023-06-02
• 發明（設計）人: 王岳環;杜雅麗;張津浦;戴開恒;耿銘良
• 申請（專利權）人: 華中科技大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06V10/80;G06V10/762;G06V10/766
• 代理公司: 武漢華之喻知識產權代理有限公司 42267
• 代理人: 廖盈春;曹葆青

1.一種目標檢測模型的訓練方法，該目標檢測模型包括特征提取網絡和預測網絡，所述特征提取網絡中包括多級特征提取單元和目標區域特征增強層，其特征在于，該訓練方法包括：

輸入標記的訓練圖像，經過特征提取單元處理后輸出特征圖；

利用所述目標區域特征增強層對上一級特征提取單元輸出的特征圖進行通道平均，得到通道數歸一的第一特征值矩陣；

遍歷所述訓練圖像中的每一個像素點，若像素點不在目標區域內，則為該像素點賦予第一特征值；若像素點在目標區域內且該目標區域大于預設的像素塊大小，則為該像素點賦予第二特征值；若像素點在目標區域內且該目標區域小于等于預設的像素塊大小，則為該像素點賦予第三特征值；根據第一特征值、第二特征值及第三特征值生成訓練圖像對應的第二特征值矩陣；

將所述第一特征值矩陣與第二特征值矩陣元素值相乘后得到第三特征值矩陣；

將所述第三特征值矩陣與預置的調節函數相乘后與特征圖的每一個通道特征矩陣的進行元素值加法，得到目標增強特征圖，并將其輸入下一特征提取單元中；

將特征提取單元輸出的特征圖進行特征融合后輸入所述預測網絡中預測出目標的類別和位置；將預測結果與真實數據進行對比并計算預測損失，基于所述預測損失調整目標檢測模型的參數直至達到設定的訓練次數或預測損失達到閾值。

2.如權利要求1所述的方法，其特征在于，所述目標增強特征圖的計算方式為：

其中，E表示目標增強特征圖；表示目標區域特征增強層的輸入特征圖；α(t)表示調節函數；G表示第二特征值矩陣；C表示通道數。

3.如權利要求1所述的訓練方法，其特征在于，所述第二特征值矩陣具體為：

其中，(i，j)表示訓練圖像中的像素點的位置坐標。

4.如權利要求1所述的訓練方法，其特征在于，所述調節函數為：

其中，t表示訓練迭代次數；max_epoch表示網絡訓練的最大迭代次數。

5.一種目標快速檢測方法，其特征在于，包括：

獲取待測圖像并將其歸一化為固定尺寸；

將歸一化的待測圖像輸入訓練后的目標檢測模型中，由各特征提取單元進行特征提取和半通道特征信息整合后輸出不同尺度的特征圖；所述半通道特征信息整合具體為：

第i-1個特征提取單元輸出的特征圖i-1經第i個特征提取單元處理后輸出特征圖i；

將所述特征圖i平均分離為通道數與所述特征圖i-1相等的兩個子特征圖；

將特征圖i-1兩倍下采樣后與其中一個所述子特征圖進行元素值相加，并將相加結果與另一個子特征圖進行通道拼接后得到特征圖i'，將激活后的所述特征圖i'作為第i個特征提取單元輸出的特征圖；其中，i＝2～n，n表示目標檢測模型中特征提取單元的級數；

對特征提取單元輸出的特征圖進行特征融合，基于融合后的特征圖進行目標分類和目標位置回歸，得到預測目標框及其對應的目標類別；

所述目標檢測模型的運算參數采用權利要求1-4任一項所述的訓練方法訓練得到。

6.如權利要求5所述的目標快速檢測方法，其特征在于，所述半通道特征信息整合的計算方式為：

其中，F表示各種張量運算，F_out、F_cat、F_sample、F_split分別表示半通道特征信息整合計算、通道拼接運算、下采樣運算和通道分離運算，A表示特征圖i-1，f(A)表示特征圖i。

7.如權利要求5所述的目標快速檢測方法，其特征在于，所述對特征提取單元輸出的特征圖進行特征融合具體包括：

對最后一級特征提取單元輸出的特征圖進行卷積后執行至少兩次上采樣，分別將每次上采樣后得到的特征圖與其他特征提取單元中的淺層特征圖進行通道拼接，且上采樣后的特征圖的尺寸與對應拼接的所述淺層特征圖的尺寸相等。