[发明专利]一种用于对金字塔特征图进行预测的算法

说明书

本发明公开了一种用于对金字塔特征图进行预测的算法，包括：选取和划分数据集，并对数据集的输入的图片进行预处理操作；对类FCOS的网络架构的head部分进行修改并设为新网络结构；将输入数据送入backbone网络中获取输入数据的特征图，在特征图的每一点上面进行回归操作，进行网络训练获取网络模型；将预训练的网络模型应用到测试图片中，从特征金字塔的多个Head中获得预测的结果；本发明通过对其中预测网络部分的head网络采用轻量级简易的模型改进，得到不同层次上特征图的预测结果，再对金字塔特征图不同层次上的预测结果进行结合，得到最后预测结果，其准确率比起当前目标检测领域的SOAT方法有显著提升。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种用于对金字塔特征图进行预测的算法。

背景技术

近年来，由于卷积神经网络(简称CNN)的发展和应用，许多计算机视觉领域的任务得到了较大的发展，其中目标检测的是计算机视觉中的一项重要的任务。目标检测是计算机视觉和数字图像处理的一个热门方向，广泛应用于机器人导航、智能视频监控、工业检测、航空航天等诸多领域，通过计算机视觉减少对人力资本的消耗，具有重要的现实意义。因此，目标检测也就成为了近年来理论和应用的研究热点，它是图像处理和计算机视觉学科的重要分支，也是智能监控系统的核心部分，同时目标检测也是泛身份识别领域的一个基础性的算法，对后续的人脸识别、步态识别、人群计数、实例分割等任务起着至关重要的作用。由于深度学习的广泛运用，目标检测算法得到了较为快速的发展，基于深度学习的两种目标检测算法思路，分别为One-Stage目标检测算法和Two-Stage目标检测算法。

目前主流的目标检测算法主要是基于深度学习模型，大概可以分成两大类别：(1)One-Stage目标检测算法，这类检测算法不需要产生候选区域框的阶段，可以通过一个Stage直接产生物体的类别概率和位置坐标值，比较典型的算法有YOLO、SSD和CornerNet；(2)Two-Stage目标检测算法，这类检测算法将检测问题划分为两个阶段，第一个阶段首先产生候选区域(Region Proposals)，包含目标大概的位置信息，然后第二个阶段对候选区域进行分类和位置精修，这类算法的典型代表有R-CNN，Fast R-CNN，Faster R-CNN等。目标检测模型的主要性能指标是检测准确度和速度，其中准确度主要考虑物体的定位以及分类准确度。一般情况下，Two-Stage算法在准确度上有优势，而One-Stage算法在速度上有优势。不过，随着研究的发展，两类算法都在两个方面做改进，均能在准确度以及速度上取得较好的结果。在申请研究的目标检测算法是基于One-Stage的，它针对近来很热门的密集目标检测器，其准确率比起目前最先进的算法都有所提升。滑动窗口目标检测器，它在密集且规则的网格上生成边界框预测，在现代物体检测中起着至关重要的作用。目前这种检测器大多都是基于限定框的一个点去进行预测的，这样得到的特征可能不具有代表性，所以后面有人提出通过引入更多更强的特征，但很多这些增加的操作会由于引入了背景噪声带来有害的信息。然而这些方法没有显式地提取边界特征，本申请认为边界极限点特征对边界框的定位比较重要，并且在每个边界处选取最有效的特征，用简洁高效的方法来完成特征的提取，因此，现有技术需要进一步改进和完善。

发明内容

本发明的目的在于克服现有技术的不足，提供一种用于对金字塔特征图进行预测的算法。

本发明的目的通过下述技术方案实现：

一种用于对金字塔特征图进行预测的算法，该算法主要包括如下具体步骤：

步骤S1：选取和划分数据集，并对数据集的输入的图片进行预处理操作。

进一步的，所述S1步骤还包括：

步骤S11：采用当前较为流行的COCO目标检测类别数据集，按照常规的做法，训练集采用COCO trainval35k set(115K images)，验证集采用COCO minival set(5Kimages)，测试集采用test-dev set(20K images)。