[发明专利]一种多特征提取网络的目标检测方法

说明书

本发明提供一种多特征提取网络的目标检测方法，搭建网络结构，针对FasterR‑CNN算法不足，为候选区域生成网络和分类回归网络设置独立的特征提取网络，使候选区域生成网络学习的特征由FPN提取且不会进入到分类回归网络中，分类回归网络学习的特征由CNN提取，初始化特征提取网络，然后对候选区域网络和分类回归网络进行一定标准差高斯分布随机初始化，训练网络模型程中需要分为候选区域生成子网络和分类回归子网络两个子网络进行训练，下载台标数据集，该数据集包括多种目标类别，通过选用多特征提取网络的输出作为输入，极大提高了网络的性能。

技术领域

本发明涉及目标检测算法的优化领域技术领域，特别是，涉及一种多特征提取网络的目标检测方法。

背景技术

目前，在Faster R-CNN算法中，Faster R-CNN网络需要对整体的输入图像进行特征提取，并对其进行候选区域的生成与分类。候选区域生成网络和分类回归网络共享同一个特征提取网络，特征提取网络输出的特征将不加区分地直接送到候选区域生成网络和分类回归网络中。候选区域生成主要区分背景与目标之间的差异；分类回归网络主要区分不同目标之间的特征差异。令二者共用同一个特征提取网络的输出作为输入，会对网络的性能造成一定程度的影响。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

因此，本发明要解决的技术问题在于克服现有技术中共用同一个特征提取网络的输出作为输入，会对网络的性能造成一定程度影响的缺陷，从而提供一种多特征提取网络的目标检测方法。

为解决上述技术问题，本发明提供如下技术方案：一种多特征提取网络的目标检测方法，包括：

搭建网络结构；

初始化FPN特征提取网络；

训练网络模型；

下载台标数据库；

对比两种模型的检测结果。

作为本发明所述多特征提取网络的目标检测方法的一种优选方案，其中：搭建网络结构，针对FasterR-CNN算法不足，为候选区域生成网络和分类回归网络设置独立的特征提取网络，使候选区域生成网络学习的特征由FPN提取且不会进入到分类回归网络中，分类回归网络学习的特征由CNN提取。

作为本发明所述多特征提取网络的目标检测方法的一种优选方案，其中：初始化特征提取网络，然后对候选区域网络和分类回归网络进行一定标准差的高斯分布随机初始化。

作为本发明所述多特征提取网络的目标检测方法的一种优选方案，其中：训练网络模型的过程中需要分为候选区域生成子网络和分类回归子网络两个子网络进行训练。

作为本发明所述多特征提取网络的目标检测方法的一种优选方案，其中：下载台标数据库，包括多个卫星卫视及网络卫视的台标，样本随机分为训练集和测试集。

作为本发明所述多特征提取网络的目标检测方法的一种优选方案，其中：对比两种模型的检测结果，经过多特征提取网络改进的算法比传统Faster RCNN算法的准确率有一定的提升。

本发明的有益效果：

本发明提供一种多特征提取网络的目标检测方法，通过选用多特征提取网络的输出作为输入，极大提高了网络的性能。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：