[发明专利]一种快速精确的单阶段目标检测方法及装置

权利要求书

1.一种快速精确的单阶段目标检测方法，其特征在于，包括：

搭建FA-SSD网络，该FA-SSD网络包括底层网络和高层网络；

使用所述的底层网络提取输入图像的特征；

使用所述的高层网络对所述的底层网络输出的特征进行最大池化和异步卷积分解操作，得到多个卷积特征；

合并得到的多个卷积特征并在回归特征图上计算出类别与位置；

通过NMS进行阈值筛选，得出置信度最高的目标。

2.根据权利要求1所述的一种快速精确的单阶段目标检测方法，其特征在于：所述的底层网络为单链无分支的卷积神经网络结构，所述的高层网络包括主流结构、分流结构一、分流结构二、分流结构三和分流结构四，所述的分流结构一、分流结构二、分流结构三和分流结构四分别基于不同方向上不同步长的异步卷积策略进行两次异步卷积分解构造得到两层异步卷积分解的卷积层，每次异步卷积分解操作过程为：首先采用在B方向上大小为3步长为2、A方向上大小为1步长为1的异步卷积核对输入特征图进行卷积处理，在B方向实现降维；之后采用在A方向上大小为3步长为2、B方向上大小为1步长为1的异步卷积核对上一步卷积处理的输出结果进行卷积处理，提取特征的同时在两个方向上实现降维。

3.根据权利要求2所述的一种快速精确的单阶段目标检测方法，其特征在于：

所述的主流结构包括依次连接且结构相同的通道一、通道二、通道三、通道四和通道五，所述的通道一、通道二、通道三、通道四和通道五均包括沿通道方向依次连接的卷积层一、卷积层二、池化层和卷积层三，所述的卷积层一的大小为1×1、步长为1，所述的卷积层二的大小为3×3、步长为1，所述的池化层的大小为2×2、步长为2，所述的卷积层三的大小为1×1、步长为1；

所述的通道一的卷积层一的输入端和所述的分流结构一的输入端分别与所述的底层网络的输出端连接，所述的底层网络的输出端输出卷积特征一，所述的通道一的池化层的输出端与所述的分流结构一的输出端交融后与所述的通道一的卷积层三的输入端连接，所述的通道一的卷积层三的输出端输出卷积特征二；

所述的通道二的卷积层一的输入端和所述的分流结构二的输入端分别与所述的通道一的卷积层三的输出端连接，所述的通道二的卷积层三的输出端输出卷积特征三，所述的分流结构二的输出端与所述的通道三的池化层的输出端交融后与所述的通道三的卷积层三的输入端连接，所述的通道三的卷积层三的输出端输出卷积特征四；

所述的通道三的卷积层一的输入端和所述的分流结构三的输入端分别与所述的通道二的卷积层三的输出端连接，所述的分流结构三的输出端与所述的通道四的池化层的输出端交融后与所述的通道四的卷积层三的输入端连接，所述的通道四的卷积层三的输出端输出卷积特征五；

所述的通道四的卷积层一的输入端和所述的分流结构四的输入端分别与所述的通道三的卷积层三的输出端连接，所述的分流结构四的输出端与所述的通道五的池化层的输出端交融后与所述的通道五的卷积层三的输入端连接，所述的通道五的卷积层三的输出端输出卷积特征六；

所述的卷积特征一、卷积特征二、卷积特征三、卷积特征四、卷积特征五和卷积特征六在通道方向上合并后，在回归特征图上计算出类别与位置，通过NMS进行阈值筛选，得出置信度最高的目标。

4.一种快速精确的单阶段目标检测装置，其特征在于，包括：

FA-SSD网络模块，该FA-SSD网络模块包括底层网络模块和高层网络模块，其中，

底层网络模块，用于提取输入图像的特征；

高层网络模块，用于对所述的底层网络模块输出的特征进行最大池化和异步卷积分解操作，得到多个卷积特征；

特征处理模块，用于合并得到的多个卷积特征并在回归特征图上计算出类别与位置；

NMS阈值筛选模块，用于对在回归特征图上计算得到的类别与位置进行阈值筛选，得出置信度最高的目标。