[發(fā)明專(zhuān)利]一種基于感受野感知的無(wú)錨點(diǎn)框目標(biāo)檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202110280998.5
• 申請(qǐng)日: 2021-03-16
• 公開(kāi)（公告）號(hào): CN113033638A
• 公開(kāi)（公告）日: 2021-06-25
• 發(fā)明（設(shè)計(jì)）人: 張弘;李旭亮;李亞偉
• 申請(qǐng)（專(zhuān)利權(quán)）人: 蘇州海宸威視智能科技有限公司
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06K9/00;G06N3/04;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

1.一種基于感受野感知的無(wú)錨點(diǎn)框目標(biāo)檢測(cè)方法，其特征是，將感受野作為錨點(diǎn)框，具有由23個(gè)卷積層構(gòu)成并且分為三大檢測(cè)單元的網(wǎng)絡(luò)；所述三大檢測(cè)單元分別為小尺度目標(biāo)檢測(cè)單元、中等尺度目標(biāo)檢測(cè)單元和大尺寸目標(biāo)檢測(cè)單元；每一個(gè)單元根據(jù)感受野大小選擇兩個(gè)分支進(jìn)行分類(lèi)與回歸操作，共可以獲得6個(gè)檢測(cè)分支，每?jī)蓚€(gè)分支負(fù)責(zé)對(duì)不同尺度的各自單元目標(biāo)進(jìn)行檢測(cè)；其中，分類(lèi)分支用于確定所檢測(cè)的目標(biāo)是否為所需要的目標(biāo)，回歸分支用于獲取目標(biāo)框的位坐標(biāo)信息。

2.根據(jù)權(quán)利要求1所述的一種基于感受野感知的無(wú)錨點(diǎn)框目標(biāo)檢測(cè)方法，其特征是，所述網(wǎng)絡(luò)總體由3×3卷積核、1×1卷積核、ReLu激活函數(shù)以及殘差邊連接構(gòu)成。

3.根據(jù)權(quán)利要求1所述的一種基于感受野感知的無(wú)錨點(diǎn)框目標(biāo)檢測(cè)方法，其特征是，所述感受野的計(jì)算公式如下：

其中，l_k-1為第k-1層對(duì)應(yīng)的感受野大小，f_k為第k層的卷積核大小；根據(jù)上述公式可以得到所提出的檢測(cè)框架各個(gè)卷積層對(duì)應(yīng)的感受野大小，通過(guò)數(shù)據(jù)增廣方法增加光噪聲、更改亮度對(duì)比度，隨機(jī)水平翻轉(zhuǎn)，其中以0.5的概率對(duì)子圖進(jìn)行隨機(jī)翻轉(zhuǎn)，通過(guò)損失函數(shù)根據(jù)損失值對(duì)負(fù)樣本排序，以正負(fù)樣本1:10的比例選取排名靠前的負(fù)樣本。

4.根據(jù)權(quán)利要求3所述的一種基于感受野感知的無(wú)錨點(diǎn)框目標(biāo)檢測(cè)方法，其特征是，所述損失函數(shù)是分類(lèi)損失和回歸損失的加權(quán)和。

5.根據(jù)權(quán)利要求4所述的一種基于感受野感知的無(wú)錨點(diǎn)框目標(biāo)檢測(cè)方法，其特征是，所述分類(lèi)損失采用交叉熵?fù)p失，所述交叉熵?fù)p失函數(shù)公式如下：

其中，H為交叉熵的計(jì)算值，即損失的計(jì)算值；p為真實(shí)概率分布，即分類(lèi)函數(shù)的預(yù)測(cè)概率值；q為非真實(shí)概率分布，即分類(lèi)函數(shù)的預(yù)測(cè)概率值的補(bǔ)集；i為每一個(gè)類(lèi)別的下標(biāo)。

6.根據(jù)權(quán)利要求4所述的一種基于感受野感知的無(wú)錨點(diǎn)框目標(biāo)檢測(cè)方法，其特征是，所述回歸損失采用Smooth L1損失函數(shù)，其公式如下：

回歸真實(shí)值設(shè)定為：

其中，RF_x，RF_y為感受野的中心坐標(biāo)，RF_s為感受野的邊長(zhǎng)，與為目標(biāo)框的左上角的坐標(biāo)，與為目標(biāo)框的右上角的坐標(biāo)。