[发明专利]一种基于多任务生成对抗网络的真实场景小物体检测方法

说明书

本发明提出了一种基于多任务生成对抗网络的真实场景小物体检测方法，属于计算机视觉领域中的物体检测技术领域。所述检测方法将多任务生成对抗网络引入到物体检测中，通过让多任务生成对抗网络中的生成器网络和鉴别器网络相互博弈的方式进行学习，实现小物体检测网络的建立进而完成图像的小物体检测。所述小物体检测方法克服了现阶段的物体检测方法在真实场景中检测正确率低的困难，促进了基于深度学习的物体检测方法在真实场景下的应用。

技术领域

本发明涉及一种基于多任务生成对抗网络的真实场景小物体检测方法，属于计算机视觉领域中的物体检测技术领域。

背景技术

近年来，在新一轮“人工智能革命”的推动下，科学技术竞技日趋激烈，人工智能的迅速发展深刻改变着人类社会生活、改变着世界。基于深度学习的物体检测技术，特别是真实场景下的小物体检测技术正是在这种背景下出现并迅速发展的针对特定物体识别和定位的一种解决方案。物体检测技术作为图像处理领域的重要部分一直是计算机视觉领域中一个非常重要的基础性研究课题，同时，它在一些实际应用(例如，图像检索、智能监控，以及自动驾驶等)中扮演着关键技术的角色。对其展开深入研究不仅具有广泛的应用需求和前景，对于解决计算机视觉领域的其它问题也有重大的研究意义。

尽管物体检测关键技术近几年得到了迅猛发展，相关机构也投入了大量人力、物力，国内外学者在许多相关领域也都取得了丰硕的研究成果，但是现阶段的研究大多是在实验室的摆拍图像上进行的，这样的图像具有如下特点：第一，物体较大，且位于图像正中央；第二，图像背景较为干净。然而在现实场景中的图像，物体通常极其微小而且背景较为复杂，同时可能会受到尺度、姿态、遮挡、光照等诸多因素的影响导致现实场景中的小物体无法被正确检测的问题。

针对真实场景下的物体检测问题，现有物体检测方法可以分为两类：两阶物体检测框架和一阶物体检测框架。但是现有的方法只是对于检测那些较大物体(面积>32*32像素)有效，如图1(a)和(b)所示。而对于小物体检测的正确率远远不能令人满意，如图1(c)所示。图中标示为1的部分面积所占比例(右上角)表示检测失败率，从图中可以看出，小物体检测的正确率与较大物体检测的正确率间存在巨大的差距。其中，小物体检测的困难在于，小物体缺少足够的细节信息来实现与背景或者相似物体的区分。

对于真实场景下的小物体检测问题，现有的小物体检测方法对真实场景下的复杂多变工作环境的自适应能力较差，常常是在背景较简单或在各自特定的工作场合的条件下设计的检测方法才可以较好的工作。但是当检测目标较小且图像背景较为复杂时，现存的物体检测技术通常存在检测率低的问题。相应的，也有一些方法来解决小物体检测问题。例如，SSD利用深度卷积神经网络中的中间层特征来实现小物体的检测，但是这些特征为浅层特征，不具有丰富的语义信息，通常因分类错误而导致检测失败；FPN利用特征金字塔来提取不同尺度物体的特征，其中将具有丰富语义特性的高层特征上采样与细节信息多样的底层特征相融合来实现小物体检测，但是人为的上采样过程会给小物体的检测带来巨大的影响。

发明内容

本发明为了解决现有小物体检测方法对真实场景下的复杂多变工作环境的自适应能力较差导致背景复杂多变的情况下小物体无法清晰识别的问题，提出了一种基于多任务生成对抗网络的真实场景小物体检测方法，所述基于多任务生成对抗网络的小物体检测方法使检测对象不只局限于真实场景中的较大的物体，更不局限于实验室理想情况下的摆拍图片，而实现真实复杂场景中的小物体检测，尤其实现在物体距离图像捕获设备较远时产生的小物体的检测。本发明所述真实场景小物体检测方法所采取的技术方案如下：

一种基于多任务生成对抗网络的真实场景小物体检测方法，所述检测方法包括：

步骤一：确定一个训练样本集，并利用所述训练样本集训练一个物体检测器；所述训练样本集中包含多张图像；

步骤二：利用所述物体检测器为多任务生成对抗网络截取产生训练样本；