[发明专利]基于尺度不变性与特征融合的目标检测算法

权利要求书

1.一种基于尺度不变性与特征融合的目标检测算法，其特征在于，采用的步骤为：

步骤一：将待检测图像输入到detnet59中进行特征提取，获得多个特征图；

步骤二：对获得的多个特征图进行选择融合特征的方式，获得新的具有相同通道的多个特征图；

步骤三：使用多个特征图生成候选框，对候选框进行多次选择分类与回归。

2.根据权利要求1所述基于尺度不变性与特征融合的目标检测算法，其特征在于：所述detnet59为改进的detnet59，所述改进的detnet59与detnet59拥有相同的第一步到第五步，分别生成1-5个特征图，从第五步开始，使用第5个特征图，分成了三个分支，生成第6-8个特征图，第6个特征图的分辨率与第5个特征图保持一样，使用膨胀卷积保持感受野不同，第7，8个特征图使用下采样降低分辨率增加语义信息，再使用膨胀卷积增加第7，8个特征图的感受野。

3.根据权利要求1所述基于尺度不变性与特征融合的目标检测算法，其特征在于：所述步骤二中选择融合特征的方式具体为；

步骤2.1：将第2-8的特征图通过卷积操作变为通道256的特征图，其中第6-8的特征图就生成为P6-P8；

步骤2.2：在将7和8的特征图经过上采样后和6的特征图一起融合到特征图5中，在融合之后再对每个融合结果进行卷积生成P5；

步骤2.3：再将P5进行上采样融合到特征图4中，在融合之后再对每个融合结果进行卷积生成P4；

步骤2.4：一直重复2.3步骤直到融合完特征图2，生成P2、P3。

4.根据权利要求1所述基于尺度不变性与特征融合的目标检测算法，其特征在于：所述步骤三具体为，

步骤3.1：对于P2、P3、P4、P5、P6、P7和P8层，生成大量的anchor；

步骤3.2：对于P6、P7、P8这三层，对其产生的anchor和ground truth根据l_i≤√wh〖≤u〗_i函数进行了筛选，l_i代表宽度最小值，u_i代表宽度最大值，w、h分别代表边框的高和宽，P6只保留小的anchor，P7只保留中等的anchor，P8只保留大的anchor；然后对anchor使用IoU阈值为0.5的NMS非极大值抑制生成第一部分的候选框，再对第一部分的候选框进行分类和边框回归；IOU的值就是两个预测框的交集除以两个预测框的并集的值；NMS就是对所有的框进行一一比较，如果两个框的交集大于IOU设置的阈值，则保留得分最大的框，删除另外的框；获得第一部分候选框；P6再只对小的ground truth回传损失，P7再只对中等的ground truth回传损失，P8再只对大的ground truth回传损失；

步骤3.2：得到第一部分回归后的候选框后，使用阈值为0.6的NMS非极大值抑制生成第二部分的候选框，再对第二部分的候选框进行分类和边框回归；

步骤3.3：得到第二部分回归后的候选框后，使用阈值为0.7的NMS非极大值抑制生成最终的候选框，再对最终的候选框进行分类和边框回归。

5.根据权利要求4所述基于尺度不变性与特征融合的目标检测算法，其特征在于：所述对候选框进行分类包括，

分类利用softmax函数将候选框对应的特征映射到(0，1)区间，对应n个类别上去，n为大于1的整数，概率最高的类别为预测的类别；

其中Si表示对于类别的概率，ei表示对类别的预测分数，∑jej表示所有类别分数和。

6.根据权利要求4所述基于尺度不变性与特征融合的目标检测算法，其特征在于：所述对最终的候选框进行回归包括：

回归利用DIoU损失函数将候选框与目标之间的尺度，重叠率以及距离都参与计算；

其中IoU表示目标框与候选框的交并比，b表示候选框的的中心点，bgt表示目标框的中心点，ρ代表的是计算两个中心点间的欧式狙击，c代表的是能够同时包含候选框和目标框的最小闭包区域的对角线距离。