[发明专利]一种局部特征细粒度目标检测算法

权利要求书

1.一种局部特征细粒度目标检测算法，其特征在于，主要由卷积网络，通道分组网络和局部分组分类网络组成；卷积网络负责特征提取，通道分组网络以卷积层的通道为输入特征，通过对空间相关的通道进行聚类，加权和池化生成多个局部；局部分组网络进一步对图像进行各个单独部件的分类；

整个检测算法是以完整的图像作为输入，生成若干个细粒度目标提议区域提供给后面的细粒度目标检测分类网络；

卷积网络用于提取特征，通道分组网络将空间相关模式的特征进行聚类，并将其加权到邻近区域中出现峰值响应的对应部位映射中；多样化的高响应位置进一步构成了多局部特征的映射，并通过固定大小地裁剪来提取若干个局部的提议；

获得了局部特征的提议后，局部分类网络就会根据基于局部的特征对图像进行进一步的分类，这些特征是从全卷积的映射特征上进行空间的池化而得到的；到该局部更好的细粒度特征。

2.根据权利要求1所述的局部特征细粒度目标检测算法，其特征在于，所述局部特征细粒度目标检测算法包括，输入一张图片给提取特征的卷积神经网路，并产生了映射特征，并将映射特征的各个通道展开，在特征通道中设1-12为不同的特征通道，并且每个通道中都有一个峰值响应区域，同时设1，6，11；2，8，12；3，5，10；4，7，9分别代表12个通道中有相近峰值响应的区域，并且通过堆叠全连接层达到聚类效果，把相近的区域归为一类得到多局部特征聚合层，设划分为4类，同类的通道相加，去sigmoid函数归一化生成概率值，等效于生成了四个空间的局部特征映射结果，再将这四个映射结果分别和映射特征进行点乘，得到局部精细化的特征，最后进行分类。

3.根据权利要求1所述的局部特征细粒度目标检测算法，其特征在于，所述局部特征细粒度目标检测算法还包括，给定输入图像X首先将图像输入到预训练好的卷积层中，提取基于区域的深度特征；

被提取的深度特征表达表示为W*X，其中*表示卷积，池化和激活的一系列操作，W表示为全体参数；这个深度特征表达式的维度为w×h×c，其中w，h，c指宽度，高度和特征通道的数量。

4.根据权利要求1所述的局部特征细粒度目标检测算法，其特征在于，所述局部特征细粒度目标检测算法还包括，每个特征通道都能表示为一个位置向量，其元素是所有训练图像实例的峰值响应的坐标，如下：

其中是训练集中第i个图像峰值响应的坐标，Ω是训练集中图像的数量；将位置向量作为特征，将不同的通道聚类成N组作为N个局部检测器；生成的第i个组由所有特征通道上的指标函数来表示，该指标函数为：

[E{1}，...，E{j}，...，E{c}]

其中，E{·}表示每个通道是否属于该组，如果是，该通道位置为1，否则为0；为了保证训练中通道分组操作的最优化，本方法利用通道分组的方法，通过全连接层对通道的排列进行回归；为了生成N个局部，定义一组全连接层

F(·)＝[f₁(·)，...，f_N(·)]

每一个f_i(·)作为输入卷积特征，在不同的通道上产生权重向量d_i，由

d_i(X)＝f_i(W*x)

得到；其中，d_i(X)＝[d₁，...，d_c]；

通过以下两个步骤能获得准确的权重向量d_i(X)来获取更好的通道分组：

将d_i(X)与E{·}进行拟合，对d_i(X)＝f_i(W*X)中的全连接层参数进行预训练；

利用端到端的学习进一步优化，E{·}也是对d_i(X)的监督，保证了全连接层模型初始化的合理性。