[发明专利]一种局部特征细粒度目标检测算法

说明书

本发明公开了一种局部特征细粒度目标检测算法，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。本发明的一种多局部特征的卷积神经网络细粒度目标检测算法，无需检测框和局部部件标注即可进行细粒度检测识别，且连带地学习各个局部的区域提议参数和各个局部的特征表示，本方法的局部语义信息是基于图像中具有较强识别能力的多个作用区域。

技术领域

本发明涉及目标检测算法，具体涉及一种基于深度学习的多局部特征细粒度目标检测算法。

背景技术

目前，通过计算机视觉技术的细粒度的分类识别已经引起了广泛的注意。这个任务是非常具有挑战性的，因为细粒度图像检测识别应具备区分度的局部定位以及基于局部的精细特征学习的能力。传统的方法通过构建大型的语料库，依靠人工标注边界框和注释部件来进行局部的特征表示。然而，大量的人工参与使得标注的代价十分昂贵以及部件定义带着过于强烈的主观因素，并不是所有细粒度检测识别任务的最佳选择。卷积神经网络利用类别标签来训练弱监督的局部模型，取得了显著的进展，类别标签对边框和部件标注没有依赖性，可以大大提高细粒度检测的可用性和扩展性。基于卷积神经网络的框架通常由两个独立的步骤组成，一个是通过训练带正负样本的图像块来进行局部定位或者是从预先训练好的特征通道进行定位，另一个是通过选择性地池化或者对映射特征进行密集编码来进行细粒度特征学习。虽然已经取得了一定的成果，但是由于没有明确的局部约束，导致没有很好地利用卷积神经网络局部目标定位和特征学习的能力。

在细粒度目标检测识别中，对于在技术背景中提到的需要具备区分度的局部定位以及基于局部的精细特征学习的两个能力。

首先对于基于局部细粒度特征学习的能力，学习有代表性的特征已经被广泛研究用于细粒度图像识别。由于深度学习的巨大成功，大部分的检测识别框架都依赖于强大的卷积深度特征，由深度卷积特征来对目标进行一般或者细粒度的分类，且比手工制作的特征在检测精度上有了巨大的提升。为了更好地对细粒度识别的细微视觉差异进行区分，有的方法利用一种双线性结构来计算两个独立的卷积神经网络之间的两两交互的特征，此外，一些方法提出将卷积神经网路与Fisher Vector的空间加权表示相统一，一些方法则结合了深层次的语义信息等多种方法的优势来提高分类的准确率，达到最先进的表现。

其次，对于有区分度的局部定位的能力，大量的工作提出利用边界框和局部的额外标注来定位细粒度识别中的重要区域，然而，由于人工的大量参与，这项任务对于大规模的实际问题来讲是不切实际的。最近，有许多新兴的研究致力于更泛化的场景，并建议使用无监督的方法来学习part attention的模型。一种基于视觉注意力的方法在整体目标和局部上都提出了两层网络，其中局部模板通过聚类方案从卷积神经网路的内部隐藏表示中获得。选择深度卷积核响应和多粒度描述符提出通过分析卷积神经网络的卷积核响应来训练一组局部的检测器，这些响应以一种无监督的方式一致地响应特定的模式。

细粒度目标检测识别高度依赖于有区分度的局部定位和基于局部的细粒度特征学习，现有的方法都是独立地解决这两个难题，而忽略了局部的定位和细粒度特征学习是相互关联的。在本专利中，提出了一种多局部特征细粒度目标检测算法，其中局部生成和特征学习可以相互促进。

发明内容

本发明的主要目的在于提供一种局部特征细粒度目标检测算法。

本发明采用的技术方案是：一种局部特征细粒度目标检测算法，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；