[发明专利]一种基于特征金字塔网络的反馈式目标检测方法

说明书

本发明提出了一种新颖的、稳定的单阶段目标检测方法，以提高目标检测精确度和召回率。本方法采用了残差网络和特征金字塔等目标检测技术：利用残差网络的跳跃连接不断加深目标检测模型的深度，有效提高网络的分辨能力和优化速度；利用特征金子塔网络将深层网络和浅层网络互连，使得浅层高分辨率的特征图同样包含高层级的语义信息；同时，本方法创新性的提出了一个新的关系模块，称为L2Smodule，该模块通过将顶层特征图上对大目标精确的预测结果反馈到浅层特征图上，对不同尺度的目标间的相互关系进行有效建模，从而通过相对精确的大目标的检测结果促进小目标的检测。实验结果表明本方法实现了比目前常用的顶级目标检测方法更好的检测性能。

技术领域

本发明涉及一种基于深度卷积神经网络的目标检测方法，用来提高目标检测模型对图片中目标，尤其是微小目标的识别效率以及定位精度。本方法首先在深层级的特征图上对大目标进行预测，然后将预测结果反馈到浅层特征图上，相互融合之后再对微小目标进行预测，从而更好的对图片中各种尺度的目标进行识别。属于图像处理领域。

背景技术

目标检测作为计算机视觉的一项基础性工作，在行人检测、车牌识别、无人驾驶等领域都具有重要的研究价值，因而长期受到了广泛性的关注。目前，顶级的目标检测方法几乎都采用深度卷积网络的架构，并且主要划分为两个流派：一个是以faster RCNN为主导，基于候选区域范式的两阶段目标检测方法。这类检测器首先产生候选区域（regionproposals），然后对候选区域进行目标分类以及位置精修。另一个是端到端的以RetinaNet，SSD等为主导的单阶段目标检测方法，这类方法不需要region proposal阶段，而是直接产生预测目标的类别概率和位置坐标值。无论是单阶段检测方法还是两阶段检测方法，其发展和改进都是为了获得更高的检测精度以及更快的检测速度。

单阶段检测方法不需要产生region proposals的过程，因而网络模型更加简洁高效，但精度却很低。尤其是在微小目标的检测上，其精确度和召回率都远远低于RFCN等两阶段检测方法。为此，很多单检测方法尝试采用新颖的网络结构设计和一些巧妙的训练技巧去提高目标检测的精度。YOLO的衍生模型（YOLOv2,v3）利用Batch Normalization、HighResolution Classifier等一系列技巧，并产生了显著的效果。SSD的衍生模型（也就是DSSD，FSSD，ESSD）以不同的方式将各个层的特征图进行融合，然后在融合的特征图上进行预测。尽管目标检测的模型和方法发展迅速，但目前几乎所有主流的方法都独立的预测图片中的各个目标，而忽略了目标之间的相互联系。为此，本方法创新性的提出了一个全新的模块L2S-module，该模块会将深层特征图上对大目标精确的预测结果反馈到浅层特征图上，利用神经网络对不同尺度的目标间的相互关系进行建模，从而利用相对精确的大目标的检测结果促进网络对小目标的检测，有效地缓解了单精度检测器低精确度和低召回率的弊病，并进一步提高了目标检测的性能与精度。

发明内容

本发明所要解决的技术问题是：利用卷积神经网络不断挖掘图片中不同尺度目标之间的相关性，进而大大提高单阶段目标检测方法的精度。

本发明的解决方案是：对于特征金字塔网络产生多个尺度的特征图，先在深层特征图上预测相对较大的目标，然后将预测结果整合处理后反馈到浅层特征图上，以此方式建立深层特征图上的预测结果到浅层网络的反馈链路。大目标的预测信息通过反馈链路与浅层级特征图相互融合后再预测相对较小的目标。从而提高小目标的检测效果。

本发明为实现上诉解决方案，及其方法步骤如下所示：

1.训练ResNet01目标分类网络，将其作为目标检测网络的骨架。

2.在目标分类网络上搭建特征金字塔网络。

3.引入L2S moudle。

4.在最终形成的特征图上搭建目标分类子模型和坐标回归子模型。

5.采用多任务损失函数进行网络训练。