[发明专利]一种基于空洞卷积的anchor-free交通标志识别方法

权利要求书

1.一种基于空洞卷积的anchor-free交通标志识别神经网络，包括下列步骤：

第一步，构建交通标志数据集并进行包括剪裁在内的数据预处理；

第二步，通过深度学习框架PyTorch搭建基于空洞卷积的anchor-free交通标志识别神经网络；基于空洞卷积的anchor-free交通标志识别神经网络包括三个部分，分别是由hourglass模块与残差块Residual Block组成的主干路、由特征丰富模块MSCF组成的跳层和输出预测部分：

输入的图像首先经过主干路进行特征提取，主干路由两部分组成，第一部分由三个串联的3*3卷积块、一个残差块Residual Block、一个hourglass模块和一个1*1卷积块组成，对输入的图像进行先编码再解码的过程，用以提取图像中更全面的深层特征并将浅层特征与深层特征融合到一起；第二部分由一个串联的3*3卷积块、一个残差块Residual Block、一个hourglass模块和一个1*1卷积块组成，对第一部分输出的特征图再次进行先编码后解码的过程，用以获得尺度变化更大的特征，增强神经网络的表示能力；

主干路上有两个结构相同的跳层，均由一个特征丰富模块MSCF与一个1*1的卷积块构成，两个跳层分别与主干路的第一部分中的一个hourglass模块和一个1*1卷积块并联以及与第二部分中的一个hourglass模块和一个1*1卷积块并联，跳层的输出特征会与主干路的输出特征进行元素相加操作，特征丰富模块MSCF共包含1个3*3卷积块，5个1*1卷积块和3个扩张率不同的空洞卷积模块，作用是利用不同扩张率的空洞卷积来获得不同大小的感受野，对主干路提取的特征进行补充；

经过了主干路的神经网络之后，特征图恢复到初始图片的尺寸，并包含了多种尺度和深层次的语义特征，这种特征图被称为热图，能够对各种尺寸的交通标志进行预测；将热图送入输出预测部分，进入三条并联支路进行预测，第一条支路在经过两个卷积块后，会预测出交通标志的种类；第二条支路会预测出一个坐标，即交通标志的中心点坐标；最后一条支路会预测出交通标志检测框的宽和高；

第三步，模型训练：

把训练集中的图片输入基于空洞卷积的anchor-free交通标志识别神经网络中，通过正向传播得到交通标志类别与位置信息，与 ground truth中的信息计算误差进行反向传播，不断更新网络参数直至误差不再减小；将训练好的网络参数保存为模型；

第四步，输入带有交通标志的图片，加载第三步训练好的模型，输出交通标志识别结果图。