[发明专利]一种使用语义信息弱监督反卷积特征层融合的单阶段目标检测算法

说明书

本发明涉及一种使用语义信息弱监督带反卷积特征层融合的单阶段目标检测算法，采取从热力图中估计物体中心点的新方法来提高目标检测算法精度。本方法与传统方法相比极大减少了手工设计锚箱结构对于检测精度的影响，能使用更优的特征进行深度卷积神经网络的训练，从而取得更高的精度。本发明为今后的单阶段目标检测算法框架提供了理论基础。

技术领域

本发明属于图像识别技术领域，尤其是一种基于深度学习的目标识别算法。

背景技术

目标识别可以应用在众多领域，比如汽车的辅助驾驶，自动驾驶，用来识别路面上的机动车与行人。近些年来目标识别算法逐渐由手动设计图像特征后接基于机器学习特征分类器的算法向基于深度学习的方法演进。基于深度学习的目标检测算法又分为单阶段目标检测算法与二阶段目标检测算法。

R.Girshick等人提出了2阶段Fast R-cnn目标检测算法，第一个阶段使用RPN(Region Proposal Network)来检测图像中可能存在物体的区域，第二阶段用此区域的深度特征来做物体的分类与位置的回归。与二阶段目标检测算法不同，W.Liu等人提出了单阶段目标检测算法。通过手动设计的锚箱(Anchor Box)来遍历整个特征图，最后通过特征分类和位置回归来检测物体。

综上分析，现有的目标价测算法的性能极大取决于于锚箱的设计方式与超参数的选择，锚箱设计方式极大限制了目前目标检测算法精度进一步提高。

发明内容

本发明的目的在于克服现有不足，针对手工设计锚箱的传统目标检测算法做出改进，本发明摒弃手工设计锚箱这一步骤，采取从热力图中估计物体中心点的新方法来提高目标检测算法精度。另外一个创新点为为了保证热力图的分辨率，本发明在反卷积后的特征图上产生热力图，且对不同阶段的特征图做了金字塔型融合，高分辨率但语义弱的信息与低分辨率但语义强的信息做了融合。能极大提高检测精度。本发明另外一个创新点为，在不引入新的标定信息的基础上，提出了一种以box语义分割当弱监督信息来引导目标检测模块的新的算法。弱语义信息可以给检测网络更加宏观的信息，换一个角度让特征提取网络更加专注于目标所在的特征图区域，从而达到更好的检测效果。为实现上述目的，本发明的技术方案包括以下步骤：

步骤1：用通用特征提取基干网络(例如VGG，ResNet，Googlenet，mobilenet，shufflenet等)提取输入图像特征。

步骤2：提取不同尺度的特征图。

步骤3：将不同尺度特征图通过反卷积的方式依次放大至同一尺度。

步骤4：将反卷积后的特征图依次融合。

步骤5：在每一个融合后的特征图上进行目标检测

步骤6：检测头(Detection Head)输出：1.热力图用来估计物体中心位置； 2.分类输出用来估计物体类别；3.输出每个物体宽和高与位置精修结果；4.通过box级别的语义信息来辅助目标检测过程。

步骤7：将步骤6每一个DP输出的检测结果用非极大值抑制得出最终检测结果。本发明的成果将为设计快速可靠易于训练的目标检测算法提供理论依据。

附图说明

图1为本发明的总体目标检测算法框架图。

图2为检测头的详细信息，与输出特征结构。

图3为目标检测结果示意图，估计目标中心点信息。

图4为弱语义监督信息具体例子。