[发明专利]基于改进SSD算法的目标检测模型、方法及应用

说明书

本发明公开了基于改进SSD算法的目标检测模型、方法及应用，涉及图像分类技术领域；模型包括第一、第二add融合器、卷积层Conv9_2、Conv10_2、Conv4_3和Conv7；方法为调整特征图L9_2和特征图L10_2的通道数量、以反卷积的形式进行上采样、通过第一add融合器与特征图L4_3进行特征融合并形成第一add融合特征图，调整特征图L9_2和特征图L10_2的通道数量、以反卷积的形式进行上采样、通过第二add融合器与特征图L7进行融合并形成第二add融合特征图；应用为将上述目标检测模型或者目标检测方法应用在无人机的分类系统上；其通过上述模型、方法或应用等，实现提高目标检测工作效率。

技术领域

本发明涉及图像分类技术领域，尤其涉及一种基于改进SSD算法的目标检测模型、方法及应用。

背景技术

卷积神经网络是一种经典的前馈神经网络，结构一般包括卷积层、下采样层、和全连接层。下采样层一般连在卷积层之后，与卷积层交替出现，最后连接全连接层。卷积神经网络采用局部连接、权值共享和空间和时间相关的下采样方法，从而获得更好的平移、缩放、和扭曲不变性，使提取的特征更具区分性。网络结构中每层包含若干特征图，特征图是图像在网络的不同层之间进行下采样或卷积操作的运算后保存的结果即矩阵。每个特征图中包含若干神经元，每个特征图对应一个过滤器，并对应一种特征。

SSD(Single Shot Detector)算法，是仅需要单个卷积神经网络就能完成目标检测的算法。SSD算法将目标框的输出空间离散化为一组在每个特征图位置不同大小和形状的默认框。预测时，网络对位于每个默认框类的物体类别进行打分，并修正默认框位置来更好的匹配物体的位置。此外，SSD网络在不同分辨率的特征图上预测，这样就可以处理大小不同的物体。SSD算法以VGG-16为基础网络，同时在基础网络后增加卷积特征层，这些层按大小减小的次序连接。抽取卷积层Conv4_3、Conv7、Conv8_2、Conv9_2、Conv10_2和Conv11_2的特征图，然后分别在这些特征图层上面的每一个点构造若干个不同尺度大小的先验框，然后分别进行检测和分类。

传统的SSD算法直接使用卷积神经网络产生的特征图，作为检测样本。因为对小目标的检测主要依赖特征图L4_3，但这一层特征图经过的卷积少，其语义性更低，所以导致对小目标的检测率不高。另外，因为随着卷积神经网络层数的加深，产生的特征图所包含的信息也在变化，低层包含更多的位置、细节信息。深层语义性更强，直接用来检测，导致各层特征信息未被充分利用。

现有技术问题及思考：

如何解决目标检测工作效率较低的技术问题。

发明内容

本发明所要解决的技术问题是提供一种基于改进SSD算法的目标检测模型、方法及应用，其通过卷积层Conv9_2的输出端、卷积层Conv10_2的输出端和卷积层Conv4_3的输出端分别与第一add融合器的输入端连接，卷积层Conv9_2的输出端、卷积层Conv10_2的输出端和卷积层Conv7的输出端分别与第二add融合器的输入端连接等，实现提高目标检测工作效率。

为解决上述技术问题，本发明所采取的技术方案是：一种基于改进SSD算法的目标检测模型包括卷积神经网络，还包括融合网络结构，所述融合网络结构的数量为两个分别是第一融合网络结构和第二融合网络结构，所述第一融合网络结构包括卷积层Conv9_2、卷积层Conv10_2、卷积层Conv4_3和第一add融合器，所述卷积层Conv9_2的输出端、卷积层Conv10_2的输出端和卷积层Conv4_3的输出端分别与第一add融合器的输入端连接；所述第二融合网络结构包括卷积层Conv9_2、卷积层Conv10_2、卷积层Conv7和第二add融合器，所述卷积层Conv9_2的输出端、卷积层Conv10_2的输出端和卷积层Conv7的输出端分别与第二add融合器的输入端连接。