[發明專利]應用于小目標檢測的特征融合方法、裝置、設備以及存儲介質

在審

• 申請號: 202011021013.9
• 申請日: 2020-09-25
• 公開（公告）號: CN111967538A
• 公開（公告）日: 2020-11-20
• 發明（設計）人: 武秉泓;楊葉輝;許言午;王磊
• 申請（專利權）人: 北京百度網訊科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京英賽嘉華知識產權代理有限責任公司 11204
• 代理人: 王達佐;馬曉亞

1.一種應用于小目標檢測的特征融合方法，包括：

獲取Backbone網絡中多個卷積層輸出的特征圖；

對所述特征圖進行卷積運算，得到多個特征層的輸入特征圖，其中，所述多個特征層表征所述輸入特征圖的多個分辨率；

對每個特征層的所述輸入特征圖進行密集鏈接特征金字塔特征融合，得到該特征層的輸出特征圖，其中，所述進行密集鏈接特征金字塔特征融合包括：

對第i個特征層的輸入特征圖以及低于第i個特征層對應分辨率的其它特征層的輸入特征圖進行采樣，其中，i為正整數；

將采樣后的其它特征層的輸入特征圖縮放至與第i個特征層的輸入特征圖同一尺寸大小；

將縮放后的其它特征層的輸入特征圖與第i個特征層的輸入特征圖逐個疊加，并將疊加后的最終結果作為第i個特征層的輸出特征圖。

2.根據權利要求1所述的方法，所述獲取Backbone網絡中多個卷積層輸出的特征圖包括：

從Backbone網絡中抽取最后N個卷積層的特征圖，并將其作為所述卷積層輸出的特征圖，其中，N為正整數。

3.根據權利要求2所述的方法，所述基于所述特征圖，利用卷積，得到多個特征層的輸入特征圖包括：

通過對所述卷積層輸出的特征圖使用卷積計算，得到與所述卷積層對應的N個特征層的輸入特征圖；

通過對表征最低分辨率的特征層的輸入特征圖使用卷積計算，得到第N+1個特征層的輸入特征圖；

通過對第N+1個特征層的輸入特征圖使用卷積計算，得到第N+2個特征層的輸入特征圖。

4.根據權利要求1所述的方法，所述方法還包括：

對所述每個特征層的輸出特征圖使用卷積計算，得到每個特征層的最終特征；

將所述每個特征層的最終特征傳給區域選擇網絡做目標檢測。

5.根據權利要求1-4任一項所述的方法，所述Backbone網絡包括ResNet、DenseNet、EfficientNet中的至少一種。

6.一種應用于小目標檢測的特征融合裝置，其特征在于，所述裝置包括：

獲取模塊，被配置為獲取Backbone網絡中多個卷積層輸出的特征圖；

維度壓縮模塊，被配置為對所述特征圖進行卷積，得到多個特征層的輸入特征圖，其中，所述多個特征層表征所述輸入特征圖的多個分辨率；

密集鏈接特征金字塔特征融合模塊，被配置為對每個特征層的所述輸入特征圖進行密集鏈接特征金字塔特征融合，得到該特征層的輸出特征圖，其中，所述進行密集鏈接特征金字塔特征融合包括：

對第i個特征層的輸入特征圖以及低于第i個特征層對應分辨率的其它特征層的輸入特征圖進行采樣，其中，i為正整數；

將采樣后的其它特征層的輸入特征圖縮放至與第i個特征層的輸入特征圖同一尺寸大小；

將縮放后的其它特征層的輸入特征圖與第i個特征層的輸入特征圖逐個疊加，并將疊加后的最終結果作為第i個特征層的輸出特征圖。

7.根據權利要求6所述的裝置，其中，所述獲取模塊進一步被配置成：

從Backbone網絡中抽取最后N個卷積層的特征圖，并將其作為所述卷積層輸出的特征圖，其中，N為正整數。

8.根據權利要求6所述的裝置，其中，所述維度壓縮模塊進一步被配置成：

通過對所述卷積層輸出的特征圖使用卷積計算，得到與所述卷積層對應的N個特征層的輸入特征圖；

通過對表征最低分辨率的特征層的輸入特征圖使用卷積計算，得到第N+1個特征層的輸入特征圖；

通過對第N+1個特征層的輸入特征圖使用卷積計算，得到第N+2個特征層的輸入特征圖。

9.根據權利要求6所述的裝置，所述裝置還包括：

卷積模塊，被配置為對所述每個特征層的輸出特征圖使用卷積計算，得到每個特征層的最終特征；

目標檢測模塊，將所述每個特征層的最終特征傳給區域選擇網絡做目標檢測。