[發明專利]一種基于多任務與感興趣區域分割引導的目標檢測方法

有效

• 申請號: 202011032728.4
• 申請日: 2020-09-27
• 公開（公告）號: CN112132816B
• 公開（公告）日: 2022-12-30
• 發明（設計）人: 劉峽壁;劉偉華;李慧玉
• 申請（專利權）人: 北京理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06V10/25;G06V10/26;G06V10/52;G06V10/82;G06N3/04
• 代理公司: 北京正陽理工知識產權代理事務所(普通合伙) 11639
• 代理人: 張利萍

1.一種基于多任務與感興趣區域分割引導的目標檢測方法，其特征在于，包括以下步驟：

步驟1：建立基于同時感興趣區域分割和目標檢測的、并利用分割指導檢測的卷積神經網絡模型SDNet；其中，SDNet包括特征提取模塊、分割模塊和檢測模塊；

所述特征提取模塊，包括特征壓縮模塊和特征放大模塊；其中，特征壓縮模塊包括N個卷積塊，沿著一條融合源連接輸入的特征壓縮路徑展開；特征放大模塊包括M個反卷積塊，沿著一條融合跳躍連接的特征放大路徑展開；

從特征壓縮路徑上的第一個卷積塊開始，每一層輸出的特征圖和相應尺度的源圖像拼接構成下一層卷積操作的輸入；

從特征放大路徑上的第一個反卷積塊開始，每一層輸出的特征圖和來自特征壓縮路徑的特征圖拼接構成下一層反卷積操作的輸入，使得特征壓縮路徑上具有的目標細節信息能夠傳輸到具有高層語義信息的特征放大路徑上；

所述分割模塊，包括前景分割模塊，其由金字塔式的空洞卷積組成，使得特征壓縮路徑能獲得更大的視野域表示前景區域，同時可降低空洞卷積的棋格問題；對分割結果，通過相乘操作把其作用到特征模塊的輸出上，強化感興趣的目標特征區域，并后續引導檢測模塊的學習；

所述檢測模塊，由并行的中心點預測路徑和尺度預測路徑組成，其輸入是融合了分割結果的特征圖；

中心點預測使用多個卷積模塊；尺度預測也具有類似結構，即使用多個卷積模塊；通過同時預測中心點和尺度，輸出目標區域信息；

步驟2：訓練階段；

該階段采用兩階段遷移學習策略，實現步驟如下：

步驟2.1：數據增強和數據預處理；

基于數據劃分、數據增強以及預處理從帶標記的原始數據中產生第一階段訓練的訓練集、第二階段訓練的訓練集和測試集；

其中，數據增強手段包括旋轉、縮放和平移操作；

步驟2.2：將步驟2.1獲得的用于第一階段訓練的訓練集輸入二分類網絡，采用隨機梯度下降算法優化softmax損失函數，得到訓練后的二分類網絡；此訓練后的二分類網絡中，包括訓練好的特征提取模塊；

步驟2.3：基于步驟2.1的數據增強手段對少量檢測標注數據進行增強，生成的第二階段訓練所需的訓練集進行第二階段訓練，得到訓練后的SDNet網絡；

其中，第二階段訓練在SDNet網絡中進行，且SDNet網絡中的特征提取模塊來自步驟2.2中訓練好的特征提取模塊；

步驟3：利用訓練好的SDNet網絡，進行目標精確檢測。

2.如權利要求1所述的一種基于多任務與感興趣區域分割引導的目標檢測方法，其特征在于，在特征提取模塊中，特征壓縮路徑上的每個卷積塊包含一次卷積、BN、激活和Pooling操作，對輸入圖像進行特征提取得到特征圖。

3.如權利要求1所述的一種基于多任務與感興趣區域分割引導的目標檢測方法，其特征在于，在特征提取模塊中，特征放大路徑上的每個卷積塊包含一次Unpooling、反卷積、BN和激活操作，對特征壓縮路徑輸出的特征圖進行特征放大。

4.如權利要求1所述的一種基于多任務與感興趣區域分割引導的目標檢測方法，其特征在于，步驟2.1包括以下步驟：

步驟2.1.1：將帶標記的原始數據劃分為帶有檢測目標的正樣本訓練集、不帶有檢測目標的負樣本訓練集以及測試集；

步驟2.1.2：采用數據增強手段處理正樣本訓練集，再與正樣本訓練集一起構成新的正樣本訓練集；其中，新訓練集補充了帶有檢測目標的正樣本訓練集；

步驟2.1.3：對步驟2.1.2構成的新的正樣本訓練集和步驟2.1.1輸出的負樣本訓練集以及測試集中的每一幅圖像，進行灰度歸一化和去均值的預處理，分別得到正樣本訓練集和負樣本訓練集組成的訓練集以及測試集。