[發明專利]一種多尺度特征融合的鐵路異物侵限檢測方法與骨干網絡

在審

• 申請號: 202210904763.3
• 申請日: 2022-07-29
• 公開（公告）號: CN115424031A
• 公開（公告）日: 2022-12-02
• 發明（設計）人: 郭保青;余祖俊;朱力強;王堯
• 申請（專利權）人: 北京交通大學;中國國家鐵路集團有限公司
• 主分類號: G06V10/44
• 分類號: G06V10/44;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 北京衛平智業專利代理事務所(普通合伙) 11392
• 代理人: 閆萍

1.一種多尺度特征融合骨干網絡，其特征在于：包括M層，每一層由2*N個多尺度特征融合模塊組成，多尺度特征融合模塊采用多輸入雙輸出結構，在每個多尺度特征融合模塊中，x、x1、x2……xN為不同尺度的特征輸入，y1、y2為兩種不同尺度的特征輸出；在特征輸入中，x1、x2……xN稱為特征融合輸入，x稱為卷積輸入；在特征輸出中，y1稱為特征融合輸出，y2稱為卷積輸出；M層中的每一層包括N個特征融合輸入和1個卷積輸入，以及N個特征融合輸出和1個卷積輸出；M層中上一層的N個特征融合輸出作為下一層的N個特征融合輸入，上一層的1個卷積輸出作為下一層的1個卷積輸入；M層中每層的卷積輸出同時作為該尺度下的特征featurek，1≤k≤M。

2.如權利要求1所述的多尺度特征融合骨干網絡，其特征在于：每一層包括N+1組輸入：layer_x、layer_x1、layer_x2、……、layer_xN，和N+1組輸出：layer_y、layer_y1、layer_y2、……、layer_yN；

每一層的輸入layer_x1、layer_x2、……、layer_xN分別作為該層中MIDO Block1_1、MIDO Block1_2、……、MIDO Block1_N這N個多尺度特征融合模塊的特征融合輸入x1、x2、……、xN，輸入layer_x作為MIDO Block1_1模塊的卷積輸入x。

3.如權利要求2所述的多尺度特征融合骨干網絡，其特征在于：對于每一層的卷積輸入layer_x，經MIDO Block1_1模塊卷積之后，得到卷積輸出block1_1y2，這一卷積輸出結果作為MIDO Block1_2模塊的卷積輸入x；卷積輸入依次經過MIDO Block1_1、MIDO Block1_2、……、MIDO Block1_N、MIDO Block2_1、MIDO Block2_2、……、MIDO Block2_N后再經過下采樣得到該層的卷積輸出layer_y。

4.如權利要求2所述的多尺度特征融合骨干網絡，其特征在于：對于每一層的特征融合輸入layer_x1、layer_x2、……、layer_xN，經過MIDO Block1_1、MIDO Block1_2、……、MIDOBlock1_N這N個多尺度特征融合模塊后，每個多尺度特征融合模塊都會輸出1個特征融合輸出，N個多尺度特征融合模塊共獲得N個特征融合輸出；這N個特征融合輸出將分別作為MIDOBlock2_1、MIDO Block2_2、……、MIDO Block2_N模塊的特征融合輸入，由MIDO Block2_1、MIDO Block2_2、……、MIDO Block2_N這N個模塊得到N組特征融合輸出，N組特征融合輸出分別經下采樣模塊后將作為這一層的特征融合輸出layer_y1、layer_y2、……、layer_yN。

5.如權利要求3或4所述的多尺度特征融合骨干網絡，其特征在于：對于MIDO Block2_1、MIDO Block2_2、……、MIDO Block2_N的輸出設置了下采樣模塊downsample，每一層的卷積輸出和特征融合輸出都經下采樣模塊后輸出。

6.如權利要求1所述的多尺度特征融合骨干網絡，其特征在于：當不同的特征被輸入到多尺度特征融合模塊時，該多尺度特征融合模塊為不同的輸入x、x1～xN分配一個可學習的加權值p₀、p₁～p_N，這個加權值用于對不同的輸入進行加權，最終值由網絡自行學習而得到。

7.如權利要求1所述的多尺度特征融合骨干網絡，其特征在于：在每個多尺度特征融合模塊中，N個特征融合輸入和1個卷積輸入加權融合后獲得多尺度特征融合模塊的特征融合輸出y1；特征融合輸出y1一方面作為多尺度特征融合模塊的輸出，另一方面，特征融合輸出y1還被送入MobileNetV2模塊中；y1經卷積操作后得到多尺度特征融合模塊的另一路卷積輸出y2。