[發明專利]基于改進SSD算法的目標檢測模型、方法及應用

在審

• 申請號: 202011166365.3
• 申請日: 2020-10-27
• 公開（公告）號: CN112464982A
• 公開（公告）日: 2021-03-09
• 發明（設計）人: 甄然;蘇康;吳學禮
• 申請（專利權）人: 河北科技大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 石家莊新世紀專利商標事務所有限公司 13100
• 代理人: 呼春輝

本發明公開了基于改進SSD算法的目標檢測模型、方法及應用，涉及圖像分類技術領域；模型包括第一、第二add融合器、卷積層Conv9_2、Conv10_2、Conv4_3和Conv7；方法為調整特征圖L9_2和特征圖L10_2的通道數量、以反卷積的形式進行上采樣、通過第一add融合器與特征圖L4_3進行特征融合并形成第一add融合特征圖，調整特征圖L9_2和特征圖L10_2的通道數量、以反卷積的形式進行上采樣、通過第二add融合器與特征圖L7進行融合并形成第二add融合特征圖；應用為將上述目標檢測模型或者目標檢測方法應用在無人機的分類系統上；其通過上述模型、方法或應用等，實現提高目標檢測工作效率。

技術領域

本發明涉及圖像分類技術領域，尤其涉及一種基于改進SSD算法的目標檢測模型、方法及應用。

背景技術

卷積神經網絡是一種經典的前饋神經網絡，結構一般包括卷積層、下采樣層、和全連接層。下采樣層一般連在卷積層之后，與卷積層交替出現，最后連接全連接層。卷積神經網絡采用局部連接、權值共享和空間和時間相關的下采樣方法，從而獲得更好的平移、縮放、和扭曲不變性，使提取的特征更具區分性。網絡結構中每層包含若干特征圖，特征圖是圖像在網絡的不同層之間進行下采樣或卷積操作的運算后保存的結果即矩陣。每個特征圖中包含若干神經元，每個特征圖對應一個過濾器，并對應一種特征。

SSD(Single Shot Detector)算法，是僅需要單個卷積神經網絡就能完成目標檢測的算法。SSD算法將目標框的輸出空間離散化為一組在每個特征圖位置不同大小和形狀的默認框。預測時，網絡對位于每個默認框類的物體類別進行打分，并修正默認框位置來更好的匹配物體的位置。此外，SSD網絡在不同分辨率的特征圖上預測，這樣就可以處理大小不同的物體。SSD算法以VGG-16為基礎網絡，同時在基礎網絡后增加卷積特征層，這些層按大小減小的次序連接。抽取卷積層Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2和Conv11_2的特征圖，然后分別在這些特征圖層上面的每一個點構造若干個不同尺度大小的先驗框，然后分別進行檢測和分類。

傳統的SSD算法直接使用卷積神經網絡產生的特征圖，作為檢測樣本。因為對小目標的檢測主要依賴特征圖L4_3，但這一層特征圖經過的卷積少，其語義性更低，所以導致對小目標的檢測率不高。另外，因為隨著卷積神經網絡層數的加深，產生的特征圖所包含的信息也在變化，低層包含更多的位置、細節信息。深層語義性更強，直接用來檢測，導致各層特征信息未被充分利用。

現有技術問題及思考：

如何解決目標檢測工作效率較低的技術問題。

發明內容

本發明所要解決的技術問題是提供一種基于改進SSD算法的目標檢測模型、方法及應用，其通過卷積層Conv9_2的輸出端、卷積層Conv10_2的輸出端和卷積層Conv4_3的輸出端分別與第一add融合器的輸入端連接，卷積層Conv9_2的輸出端、卷積層Conv10_2的輸出端和卷積層Conv7的輸出端分別與第二add融合器的輸入端連接等，實現提高目標檢測工作效率。

為解決上述技術問題，本發明所采取的技術方案是：一種基于改進SSD算法的目標檢測模型包括卷積神經網絡，還包括融合網絡結構，所述融合網絡結構的數量為兩個分別是第一融合網絡結構和第二融合網絡結構，所述第一融合網絡結構包括卷積層Conv9_2、卷積層Conv10_2、卷積層Conv4_3和第一add融合器，所述卷積層Conv9_2的輸出端、卷積層Conv10_2的輸出端和卷積層Conv4_3的輸出端分別與第一add融合器的輸入端連接；所述第二融合網絡結構包括卷積層Conv9_2、卷積層Conv10_2、卷積層Conv7和第二add融合器，所述卷積層Conv9_2的輸出端、卷積層Conv10_2的輸出端和卷積層Conv7的輸出端分別與第二add融合器的輸入端連接。