[发明专利]用于小尺度目标检测的深度双向特征金字塔增强网络有效
申请号: | 201811219005.8 | 申请日: | 2018-10-19 |
公开(公告)号: | CN109472298B | 公开(公告)日: | 2021-06-01 |
发明(设计)人: | 庞彦伟;朱海龙 | 申请(专利权)人: | 天津大学 |
主分类号: | G06K9/62 | 分类号: | G06K9/62;G06N3/04;G06N3/08 |
代理公司: | 天津市北洋有限责任专利代理事务所 12201 | 代理人: | 程毓英 |
地址: | 300072*** | 国省代码: | 天津;12 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 用于 尺度 目标 检测 深度 双向 特征 金字塔 增强 网络 | ||
本发明涉及一种用于小尺度目标检测的深度双向特征金字塔增强网络,包括:确定网络编码端的主干网络;设计Bottom‑up特征金字塔;设计Top‑down特征金字塔;目标检测子网络:采用faster‑rcnn中两阶段检测的策略,分别为候选框提取阶段和目标分类阶段,RPN阶段在top‑down特征金字塔的每个尺度的输出特征图上采用卷积核为3x3的卷积进行目标框的回归和是否是目标的概率的预测,经过筛选后的候选目标框再与对应尺度top‑down特征金字塔的输出特征图做ROI‑pooling,最后使用两个全连接层进行框的调整和目标具体类别的分类;输出物体检测结果。
技术领域
本发明属于计算机视觉、模式识别、深度学习和人工智能等领域中的目标检测技术,具体而言,特别是涉及在图像或视频中使用深度卷积神经网络对场景中的目标进行检测的技术。
背景技术
在深度物体检测领域,随着物体检测性能的不断提高,小尺度物体检测的性能成为新的瓶颈,一些新的网络结构被提出用于改善小尺度物体检测的问题。特征金字塔网络(featurepyramidnetwork[1],简称FPN)是其中的代表。FPN将在传统图像处理领域广泛应用的金字塔思想引入到深度物体检测架构中,在大尺度范围的物体检测中取得了很大的提升,特别是小尺度物体的检测性能。FPN中的特征金字塔是以自顶向下(top-down)的形式构造的,与主干网络融为一体,可以用在单阶段或双阶段物体检测方法中。在DSSD[2]中的特征金字塔结构与FPN类似,构造方式复杂一些,用在单阶段物体检测中。在Blitznet[3]的作者尝试使用特征金字塔的结构来同时解决物体检测和语义分割的多任务问题,用于单阶段物体检测。在DSOD[4]中,作者提出了一个自底向上(bottom-up)的基于密集连接的网络结构在前向融合更多的浅层网络特征。尽管这些方法使得小物体检测性能取得了一定的提升,但是离实际场景的要求还有一定距离。
现有的方法大都是采用将前一个尺度的主干网络特征经过一个跳连接模块与金字塔网络当前尺度的特征进行融合,有的是自顶向下的特征金字塔结构,有的是自底向上的结构,对不同尺度和不同语义层级特征的利用都不充分。
识别大尺度范围的物体时计算机视觉领域面对的一个挑战。目前,基于深度神经网络的物体检测方法在物体检测领域取得了压倒性的性能优势。但是大多数现存的物体检测方法对大尺度物体的检测效果较好,对小尺度物体检测的效果并不能令人满意。一个常见的小尺度物体检测问题如图1所示。原因在于随着网络的不断加深,特征图的分辨率相应的下降,小尺度物体的信息在特征提取过程中被逐渐的淹没在上下文的背景中。然而,在诸如自动驾驶等场景中,对小尺度物体的性能要求又非常严苛。
参考文献:
[1]Lin,T.Y.,Dollár,P.,Girshick,R.,He,K.,Hariharan,B.,Belongie,S.(2017,July).Featurepyramidnetworks for object detection.In CVPR(Vol.1,No.2,p.4).
[2]Fu,C.Y.,Liu,W.,Ranga,A.,Tyagi,A.,Berg,A.C.(2017).DSSD:Deconvolutional single shotdetector.arXivpreprint arXiv:1701.06659.
[3]Dvornik,N.,Shmelkov,K.,Mairal,J.,Schmid,C.(2017,October).BlitzNet:A real-time deep network for scene understanding.In ICCV 2017-International Conference on ComputerVision(p.11).
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于天津大学,未经天津大学许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201811219005.8/2.html,转载请声明来源钻瓜专利网。