[發明專利]多路感受野引導的特征金字塔小目標檢測網絡及檢測方法

有效

• 申請號: 202110148501.4
• 申請日: 2021-02-03
• 公開（公告）號: CN112801117B
• 公開（公告）日: 2022-07-12
• 發明（設計）人: 張寶;張婧;卓亮;魏東梅;胡偉;李小霞;韓翔雨;張東;何林洋
• 申請（專利權）人: 四川中煙工業有限責任公司;西南科技大學
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 四川省成都市天策商標專利事務所(有限合伙) 51213
• 代理人: 龔海月

本發明公開了一種多路感受野引導的特征金字塔小目標檢測網絡，包括依次連接的獲取目標圖片特征的骨干網絡、融合擴大感受野模塊的特征金字塔網絡以及具有兩個分支的檢測頭網絡，其中：骨干網絡用于提取不同層次的特征信息；融合擴大感受野模塊的特征金字塔網絡用于將不同層次的特征信息經過擴大感受野模塊后再進行特征融合，以引導網絡獲得不同層次感受野下的上下文信息，同時獲取足夠的語義信息和豐富的細節信息；兩個分支的檢測頭網絡用于得到目標的預測框以及分類置信度；本發明還提供了一種多路感受野引導的特征金字塔小目標檢測方法；本發明優于目前主流的目標檢測方法。

技術領域

本發明涉及視覺檢測技術領域，特別是一種多路感受野引導的特征金字塔 小目標檢測網絡及檢測方法。

背景技術

目標檢測作為機器視覺領域十分重要的一個分支，一直是研究者關注的熱 點問題，其中小目標檢測更是由于其目標像素少和噪點多等問題長期困擾著研 究者。對于小目標來說，利用淺層特征的傳統方法已經滿足不了檢測需求，因 此多層次的卷積神經網絡是目前小目標檢測技術的常用手段。

使用卷積神經網絡檢測小目標的主要難點在于獲得高層次語義信息的同時 會丟失低層的細節信息，因此容易造成小目標漏檢。針對這個問題，Kaiming He 等提出特征金字塔網絡(Feature Pyramid Network，FPN)，融合高層特征信息 與低層特征信息，既獲得了高層的語義信息，也保留了低層的細節信息，大大 地提高了小目標的檢測效果。自FPN提出后其改進算法層出不窮，目標均是獲 得高層語義信息與低層細節信息之間更好的融合方式。Ross等人提出RetinaNet， 與FPN不同的是其特征融合從倒數第三層開始。Liu S等人提出PANet，提出了 自頂向下的二次融合，對自底向下的FPN路徑進行增強，減短了信息傳播路徑， 同時更好地利用了低層特征的精準定位信息。Liu S等人還提出了ASFF，將每 一層的特征信息都與其他層次的特征信息相融合，在融合時采用了注意力機制， 控制不同層次特征的貢獻度。谷歌大腦團隊提出NAS-FPN，旨在使用神經架構搜 索，學習到更好的目標檢測特征金字塔網絡架構，在此基礎上進一步提出BiFPN， 在神經架構搜索的基礎上進行人為設計，獲得更好的特征金字塔網絡。除了直 接對FPN網絡進行修改以外，還有些研究設計了可與FPN融合的模塊提高檢測 效果，例如：Kai Chen等人提出的CARAFE為一種全新的上采樣方式，可以替換 傳統的上采樣方式融入特征金字塔中，與傳統的上采樣方式不同，CARAFE分為 兩個主要模塊，分別是上采樣核預測模塊和特征重組模塊，CARAFE首先利用上采樣核預測模塊預測上采樣核，然后利用特征重組模塊完成上采樣，得到輸出 特征圖，使之更加輕量級，可以獲得更大的感受野，并隨意嵌入分割或檢測網 絡中；Liang-Chieh等人提出的空洞空間卷積池化金字塔(Astrous Spatial Pyramid Polling，ASPP)對給定的輸入圖像進行并行采樣，以多個比例捕捉圖 像的上下文信息。

以上網絡的改進大部分是在獲得高低層次融合信息后繼續增加路徑，使得 高層次的特征信息可以與低層次的特征信息更好地相輔相成，這樣的好處是可 以得到更多的語義信息，從而獲得更高的檢測率，但是也增加了網絡的復雜度， 給網絡訓練帶來了更大的難度與更高的計算量。

小目標檢測由于目標像素少、噪點多和特征缺失等問題更容易出現漏檢和 誤檢，通過統計分析小目標框的寬高以及寬高占比，發現小目標下采樣的次數 過多會導致大多數的目標信息丟失，而有限次數的下采樣不能獲得足夠的語義 信息。針對小目標檢測，上采樣卷積層太多時目標容易丟失，而太少時感受野 又太小。

發明內容

為解決現有技術中存在的問題，本發明的目的是提供一種多路感受野引導 的特征金字塔小目標檢測網絡及檢測方法，本發明在傳統特征金字塔的基礎上 融入擴大感受野模塊，在不增加網絡深度的情況下獲取更大的感受野，提供更 多的語義信息，提升網絡模型的檢測性能。