[發明專利]一種改進Faster-RCNN模型的模糊目標檢測方法

在審

• 申請號: 202010760864.9
• 申請日: 2020-07-31
• 公開（公告）號: CN111985541A
• 公開（公告）日: 2020-11-24
• 發明（設計）人: 王堃;王銘宇;吳晨
• 申請（專利權）人: 成都恒創新星科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都弘毅天承知識產權代理有限公司 51230
• 代理人: 楊保剛

1.一種改進Faster-RCNN模型的模糊目標檢測方法，其特征在于，該方法具體包括以下步驟：

步驟1：獲取一個用于生成修復網絡的數據集，并對該數據集進行預處理，將該數據集劃分為訓練集和測試集；

步驟2：構建GAN模型；

步驟3：利用步驟1中的訓練集對GAN模型進行對抗式訓練；

步驟4：設置一個用于檢測模型效果是否滿意的評價指標IS閾值，用步驟1中的測試集對訓練后的GAN模型進行測試，若GAN模型的測試結果小于IS閾值時，則修改GAN模型訓練的參數，再次進行步驟3后對訓練結果進行測試，直至測試結果達到IS閾值；

步驟5：GAN模型經過步驟3和步驟4后生成修復網絡；

步驟6：構建加入修復網絡的改進Faster-RCNN模型；

步驟7：獲取一個用于模糊目標檢測的數據集，并對該數據集進行預處理，將該數據集劃分為訓練集和測試集；

步驟8：利用步驟7中的訓練集訓練改進Faster-RCNN模型；

步驟9：設置一個用于判定模型的檢測效果是否滿意的平均準確度均值mAP閾值，用步驟7中的測試集對訓練后的改進Faster-RCNN模型進行測試，若改進Faster-RCNN模型的測試結果小于mAP閾值，則修改改進Faster-RCNN模型訓練的參數，再次進行步驟8后對訓練結果進行測試，直至測試結果達到mAP閾值；

步驟10：輸入需要檢測的模糊目標圖片，利用訓練后的改進faster-RCNN模型進行模糊目標識別檢測。

2.根據權利要求1所述的一種改進Faster-RCNN模型的模糊目標檢測方法，其特征在于，GAN模型包含判別器和生成器，所述步驟3中對GAN模型的訓練步驟為：

步驟31：固定生成器并訓練判別器，然后固定判別器并訓練生成器，并且按此順序循環交替訓練生成器和判別器；

步驟32：判別器將真實的樣本的標簽標為1，將生成器生成的假樣本標為0；

步驟33：依次訓練判別器和生成器，利用生成器來生成虛假輸入，訓練判別器從真實輸入中分辨出虛假輸入，然后訓練整個GAN模型。

3.根據權利要求1所述的一種改進Faster-RCNN模型的模糊目標檢測方法，其特征在于，所述步驟6中改進Faster-RCNN模型構建的步驟為：

步驟61：搭建修復網絡層，用于修復模糊圖片；

步驟62：搭建Conv層，用于提取圖片的特征圖，包括conv，pooling，relu三種層；

步驟63：搭建區域生成網絡層，并且使用區域生成網絡層生成檢測框，即初步提取圖片中目標候選區域；

步驟64：搭建感興趣區域Poi池化層，獲取步驟62的特征圖和步驟63的目標候選區域，并綜合信息后提取候選特征圖；

步驟65：搭建分類層，使用邊框回歸獲得檢測框最終的精確位置，以及通過候選特征圖判定目標類別。

4.根據權利要求1所述的一種改進Faster-RCNN模型的模糊目標檢測方法，其特征在于，所述步驟7的具體步驟為：

步驟71：下載PASCAL VOC數據集，該數據集包含10000張已經標注好并且帶有邊界框的圖片，含有20個類別；

步驟72：對PASCAL VOC數據集中的圖片進行模糊化處理，用于步驟10的模糊目標檢測。

5.根據權利要求1所述的一種改進Faster-RCNN模型的模糊目標檢測方法，其特征在于：所述步驟1中用于生成修復網絡的數據集和所述步驟7中用于模糊目標檢測的數據集均按照8:2的比例劃分訓練集和測試集。