[发明专利]一种基于深度学习的小目标物体检测方法

权利要求书

1.一种基于深度学习的小目标物体检测方法，其特征在于，包括如下步骤：

步骤S1：基于COCO数据集提取出不包含小目标物体的图像，对图像尺寸进行调整后进行拼接，将拼接图像和COCO数据集中含有小目标对象的图像组成新的数据集，并按4：1的比例将数据集分成训练集和测试集；

步骤S2：修改Faster-RCNN的基础特征提取网络进行特征融合；

步骤S3：将进行融合之后的每层级融合特征通过RPN网络进行候选区域选择；

步骤S4：将训练图像输入到改进的网络中进行训练，根据目标分类和回归构建损失函数；

步骤S5：重复选取训练图片，直到损失函数收敛并保存训练模型；

步骤S6：将测试集输入到训练好的模型中进行测试。

2.根据权利要求1所述的基于深度学习的小目标物体检测方法，其特征在于，所述步骤S1中，将COCO数据集中不包含小目标物体的图像进行尺寸调整，并将调整后的图像进行拼接；目的是为了减轻训练过程中目标物体大小的不平衡性问题，拼接图像大小与常规图像大小相同，通过这种方式，把大型物体和中等物体缩小成中等物体和小物体，均衡了不同尺度的物体在训练过程中的分布。

3.根据权利要求2所述的基于深度学习的小目标物体检测方法，其特征在于，在图像拼接过程中，将k个统一分辨率的常规图像(尺寸为W*H)通过最近邻插值法进行缩放，然后合并构造成拼接图像；为了保留原始图像的属性，缩放后的图像保持的宽高比，一般情况下，当k＝1时，拼接图像引入的是常规图像。

4.根据权利要求3所述的基于深度学习的小目标物体检测方法，其特征在于，最邻近插值法的过程是：首先假设原图像素大小为W*H，缩放后的图片像素大小为w*h，原图中每个像素点的坐标都是整数；假设缩放后有一个像素点为(x,y)，则其所对应在原图中的像素点为(X,Y)＝(W/w*x,H/h*y)，但是因为缩放比例的原因，会导致(W/w*x,H/h*y)中的值不一定是整数，此时用四舍五入法将其化为整数，表示为g，所以g(X,Y)＝g(W/w*x,H/h*y)。

5.根据权利要求1所述的基于深度学习的小目标物体检测方法，其特征在于，在步骤S2中，Faster-RCNN的基础特征提取网络模块为残差网络ResNet-50，包括input、conv1、maxpooling、conv2_x，conv3_x，conv4_x，conv5_x，其中，conv1层包含1个卷积操作，卷积核为7×7，步长为2，conv2_x、conv3_x、conv4_x、conv5_x层分别包含3、4、6、3个残差块，每个残差块均包含3层卷积，卷积核大小依次为1×1，3×3和1×1，其中conv3_x、conv4_x、conv5_x层的第一个残差块的3×3的卷积层的步长为2，目的是做下采样，使分辨率降低，同时深度增加，其余的所有卷积层的步长都是1。

6.根据权利要求1所述的基于深度学习的小目标物体检测方法，其特征在于，在步骤S2中，改进后的Faster-RCNN特征提取网络是在其基础特征提取网络的基础上，采用一个具有水平连接的自上而下的特征融合结构；因为在基础特征提取网络模块中，顶层特征虽然具有高度抽象的语义信息，但由于进行了多次池化下采样操作，其对物体的边缘或几何信息等特征不敏感，小目标物体更加难以被表征；值得注意的是，浅层的特征图通常具有高分辨率和丰富的几何细节特征，而顶层的特征图具有更强的语义抽象信息且对物体的姿态、位置变化等具有鲁棒性，但其分辨率较低，因此可以在一个自下而上的网络结构基础上，采用一个具有水平连接的自上而下的特征融合结构，将顶层特征图通过上采样手段放大分辨率，将深层和浅层特征图结合起来，生成同时具有高分辨率且语义丰富的特征图；通过特征融合得到不同层级的融合特征图后，再对每一层级的融合特征图进行一次卷积核为3×3的卷积操作，目的是为了去除上采样带来的混叠效应。