[发明专利]一种基于自适应卷积的快速目标检测方法

说明书

本发明涉及一种基于自适应卷积的快速目标检测方法，步骤为：获取带有标签的图像数据，构成训练集；构建基于自适应卷积模块的目标检测网络；在构成的训练集上训练所提出的目标检测网络，直到目标检测网络收敛，得到训练好的目标检测网络；利用训练好的目标检测网络对图像进行检测，剔除重复结果，输出最终结果。本发明通过动态地调整卷积滤波器的参数，来改善检测网络提取特征的表达能力，抑制无关的干扰特征，增强感兴趣目标的特征响应，使提取的特征更加适合当前场景检测需要，提高其对复杂场景下的小尺度目标的检测性能。

技术领域

本发明涉及一种基于自适应卷积的快速目标检测方法，属于数字图像处理、目标检测和深度学习技术领域。

背景技术

目标检测是一项基础的计算机视觉感知任务，在自动驾驶、人脸识别、交通视频监控等领域都具有广泛的应用。因此提高目标检测的精度和速度是一个重要的研究问题。

近年来，随着深度学习技术的蓬勃发展，计算机视觉取得了巨大的突破，许多先进的视觉感知算法被提出来。其中，目标检测作为一项基础任务，受到了许多研究者的关注，因此也提出了一系列的高效检测算法。现有的检测算法大致可以分为两大类：两阶段法和单阶段法。

第一类是两阶段法，这类方法首先通过一个单独的区域推荐网络RPN来产生稀疏的候选框集合；然后在利用RCNN分别对每一个候选框进行进一步的特征提取，然后分类和位置回归。该类方法通常能取得较高的检测精度，但是由于网络结构较复杂，处理速度很慢，一般很难达到实时处理。文章【1】提出了直接使用主干网络的顶层特征来作为RPN和RCNN的输入特征图，该方法较简单，但是由于特定某一层的卷积层的感受野大小是固定的，用来检测不同尺度的目标是不理想的，对于过大或过小的目标性能都比较差。文章【2】采用特征金字塔网络来融合来自高层的语义信息，改善不同尺度下的目标检测问题。

第二类方法是单阶段法，这类方法的检测网络只会前向传播一次，通过对图像区域的密集采样，产生大量的预测框，对每一个可能的位置都尽可能的进行位置回归和分类。该类方法由于网络简单，处理速度往往很快，在各种实时性要求较高的场景有较大的应用前景。文章【3】将图像分割成7*7个区域，每个区域内输出两个可能的目标位置，该方法由于产生的候选框集合过于稀疏，预测精度较低。文章【4】采用多层特征预测的方法来处理不同尺度下的目标检测问题，浅层的特征用于检测小尺度目标，深层的特征用于检测较大尺度的目标，该方法的速度和精度都取得了一个不错的进步，得到了大量的研究和应用，但是由于浅层网络的感受野有限，其特征包含大量简陋的低层特征和干扰信息，对小尺度目标的定位有较大的影响，导致其小尺度检测性能较差。文章【5】在【4】的基础上进一步改进，利用反卷积层搭建了一个对称的沙漏网络，将高层的特征与低层特征进行融合，在精度上取得了进一步的提高，但是由于网络更加复杂，预测框采样更加密集，算法的耗时巨大，在实际使用中很难得到应用。

【1】Ren S,He K,Girshick R,et al.Faster r-cnn:Towards real-time objectdetection with region proposal networks[C]//Advances in neural informationprocessing systems.2015:91-99.

【2】Lin T Y,Dollár P,Girshick R,et al.Feature pyramid networks forobject detection[C]//CVPR.2017,1(2):4.

【3】Redmon J,Divvala S,Girshick R,et al.You only look once:Unified,real-time object detection[C]//Proceedings of the IEEE conference on computervision and pattern recognition.2016:779-788.