[發明專利]基于全卷積一階目標檢測的特征融合方法、設備及介質在審
| 申請號： | 202011543604.2 | 申請日： | 2020-12-24 |
| 公開（公告）號： | CN112560979A | 公開（公告）日： | 2021-03-26 |
| 發明（設計）人： | 王堃 | 申請（專利權）人： | 江蘇禹盛科技有限公司 |
| 主分類號： | G06K9/62 | 分類號： | G06K9/62;G06N3/04 |
| 代理公司： | 北京德崇智捷知識產權代理有限公司 11467 | 代理人： | 曹婷 |
| 地址： | 210000 江蘇省南京市棲霞區馬*** | 國省代碼： | 江蘇;32 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 基于 卷積 一階 目標 檢測 特征 融合 方法 設備 介質 | ||
本發明公開了一種基于全卷積一階目標檢測的特征融合方法、設備及介質，涉及計算機視覺技術領域，解決了特征融合的方向單一而帶來的信息遺漏的技術問題，其技術方案要點是在全卷積一階目標檢測算法的基礎上，橫向上對特征進行逐步回歸，縱向上對特征進行上采樣或下采樣，結合橫向處理得到的信息和縱向處理得到的信息對特征進行融合，補充了來自底部的特征信息，使得整個采樣過程的信息更加充足，避免了細節信息的遺漏。
技術領域
本公開涉及計算機視覺技術領域，尤其涉及一種基于全卷積一階目標檢測(FCOS，Fully Convolutional One-Stage Object Detection)的特征融合方法、設備及介質。
背景技術
全卷積一階目標檢測算法的特征融合網絡采用五個特征圖來對特征進行預測，如圖1所示，P0、P1、P2、P3、P4這五個特征圖中，P2特征圖是由骨干網絡中的C2層的卷積得到，P1特征圖是由骨干網絡中的C1層和上采樣后的P2特征圖結合得來的，P0特征圖是通過骨干網絡中的C0層和上采樣后的P1特征結合得到，P3特征圖是由P2特征圖下采樣后得來的，P4特征圖是由P3特征圖下采樣后得來的。P0、P1、P2、P3、P4這五個特征圖的尺寸分別是輸入圖像原圖尺寸的1/128、1/64、1/32、1/16、1/8。
但是上述特征圖的獲取都是通過特征的縱向融合得到，并沒有特征的橫向融合，這會導致目標檢測過程中可能會存在信息遺漏的可能性。同時，在整合特征融合的過程中，大多是從頂部向下的融合過程，缺失從底部向上的融合過程，單向的融合過程也會存在細節信息遺漏的可能。
發明內容
本公開提供了一種基于全卷積一階目標檢測的特征融合方法、設備及介質，其技術目的是從多個方位對特征進行融合，最大程度的減小特征信息遺漏的可能性。
本公開的上述技術目的是通過以下技術方案得以實現的：
一種基于全卷積一階目標檢測算法的特征融合方法，包括：
步驟S1：對第三特征P31進行逐步回歸得到第三特征P32；
步驟S2：對所述第三特征P32進行下采樣得到第三特征P32＇，對第二特征P21進行逐步回歸得到第二特征P21＇，結合所述第三特征P32＇和所述第二特征P21＇輸出第二特征P22；
步驟S3：對第一特征P11進行逐步回歸得到第一特征P11＇，對所述第二特征P22進行下采樣得到第二特征P22＇，結合所述第一特征P11＇和所述第二特征P22＇輸出第一特征P12；
步驟S4：對所述第一特征P12進行逐步回歸得到第一特征P12＇，所述第一特征P12＇即為第一特征P13；
步驟S5：對所述第一特征P13進行上采樣得到第一特征P13＇，對所述第二特征P22進行逐步回歸得到第二特征P22＇＇，結合所述第一特征P13＇和所述第二特征P22＇＇輸出第二特征P23；
步驟S6：對所述第二特征P23進行上采樣得到第二特征P23＇，對所述第三特征P32進行逐步回歸得到第三特征P32＇＇，結合所述第二特征P23＇和所述第三特征P32＇＇輸出第三特征P33；
其中，所述第二特征P21通過將數據輸入到第二卷積層卷積得到；所述第一特征P11包括經過第一卷積層卷積的輸入數據和上采樣后的所述第二特征P21；所述第三特征P31是通過對所述第二特征P21進行下采樣后得到。
進一步地，所述第三特征P31頂部還包括至少一個第四特征P41，所述第一特征P11底部還包括至少一個第五特征P01，包括：
步驟S7：對第四特征P41進行逐步回歸得到第四特征P42；
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于江蘇禹盛科技有限公司，未經江蘇禹盛科技有限公司許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/202011543604.2/2.html，轉載請聲明來源鉆瓜專利網。
