[发明专利]基于压缩感知和卷积网络的物体检测方法

权利要求书

1.一种基于压缩感知和卷积网络的物体检测方法，其特征在于，包括以下步骤：

采用级联式网络法设计多通道整图重构网络和物体检测网络；

利用所述多通道整图重构网络将压缩感知测量信号通过编码解码方式转换为中间重构特征图；

将所述中间重构特征图作为所述物体检测网络的输入信号，初始检测出所述中间重构特征图中存在的初始物体位置和初始物体类别；

对所述多通道整图重构网络和所述物体检测网络进行联合训练，调整所述中间重构特征图，检测出所述中间重构特征图中存在的最终物体位置和最终物体类别；

其中，所述多通道整图重构网络包括一维卷积编码模块、中间特征转换模块、二维反转卷积模块和输出模块；

其中，在所述多通道整图重构网络中具体转换过程为：

通过所述一维卷积编码模块将所述压缩感知测量信号中的一维特征信号分散到多个通道；

利用所述中间特征转换模块将所述一维特征信号转换为二维特征图；

利用所述反转卷积模块将多通道的二维特征图整合为所述中间重构特征图，最后通过所述输出模块输出所述中间重构特征图；

其中，所述多通道整图重构网络使用交叉尺度重构方法，先重构小的分辨率结果，再通过插值的方式得到更大的重构特征结果；

其中，所述中间特征转换模块为特征转换的桥梁，结合会形成编码解码模型，通过所述编码解码模型将所述一维特征信号转换为二维特征图。

2.根据权利要求1所述的基于压缩感知和卷积网络的物体检测方法，其特征在于，所述物体检测网络利用物体检测架构，将所述中间重构特征图通过压缩感知信号直接进行物体检测。

3.根据权利要求1所述的基于压缩感知和卷积网络的物体检测方法，其特征在于，所述联合训练针对独立训练后的模型数据，进行进一步的联合训练，以将压缩感知信号的特征提取进行整体优化，防止联合网络的局部最优情况。

4.根据权利要求1所述的基于压缩感知和卷积网络的物体检测方法，其特征在于，所述联合训练采用两部分独立学习率的参数设置，使独立训练通过级联方式转变为联合训练时，两部分网络参数的相匹配。