[发明专利]基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统

说明书

本发明提供了一种基于TridentNet和Cascade‑RCNN结构的高速目标检测方法，所述方法包括获取目标检测图像的数据集，并对所述数据集中的图像进行增强处理；构建神经网络，其中，所述神经网络包括特征提取网络和预测网络，所述特征提取网络融合多个主干网络，并包括特征金字塔网络，每个所述主干网络中均融合可变形卷积网络，所述预测网络包含双分支结构；通过增强处理后的数据集对所述神经网络进行训练，训练过程中根据IOU阈值对目标进行判断，得到目标检测模型；通过所述目标检测模型对待检测图像进行目标检测，所述系统包括与所述方法步骤对应的模块。

技术领域

本发明涉及人工智能及机器学习领域，尤其涉及深度学习领域，是一种基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统。

背景技术

在目标检测的众多应用场景中，由于待检测目标与检测器(传感器)的距离不同，会导致同类目标的检测尺度不同，而使用同一尺度对不同大小的目标进行检测必然存在天然缺陷和低精准率，因而多尺度检测就被迫切需要。以往的检测模型虽然可以以多尺度的方式进行检测，但由于其预设模板而对不同尺寸目标的特征表达能力存在差异，比如对过大或过小尺寸的目标难以准确检测。为使模型对不同尺寸目标的“表达能力”近似，TridentNet引入了scale-aware并行结构，首次提出感受野对目标检测任务中不同尺度和大小的物体存在影响，采用了dilated convolution以得到不同感受野的特征图，并使用参数共享以保证较小的参数和计算量。

在目标检测任务中，交并比(IOU)的阈值选取对检测存在很大影响，阈值越高越容易得到高质量的样本。然而一味地追求高阈值会引发一定程度的问题：(1)样本减少引发的过拟合，(2)在训练和推理过程中使用不一样的阈值很容易导致误匹配。Cascade-RCNN是一种级联检测结构，核心就是利用不断升高的阈值以stage-by-state的方式在不同网络上训练正负样本，以让每一个stage的detector都专注于检测IOU在某一范围内的proposal，因为输出IOU普遍大于输入IOU从而不断提升检测效果。

结合TridentNet与Cascade-RCNN的优点，为获得更加准确的目标检测结果，本专利提出将两种模型结构进行结合的方法，充分利用两者的优势来解决目标检测中的多尺度问题和IOU阈值选择问题。

发明内容

为至少部分地解决上述问题，本发明提供了一种基于TridentNet和Cascade-RCNN结构的高速目标检测方法和系统，所述方法包括：所述方法包括：

获取目标检测图像的数据集，并对所述数据集中的图像进行增强处理；

构建神经网络，其中，所述神经网络包括特征提取网络和预测网络，所述特征提取网络融合多个主干网络，并包括特征金字塔网络，每个所述主干网络中均融合可变形卷积网络，所述预测网络包含双分支结构；

通过增强处理后的数据集对所述神经网络进行训练，训练过程中根据IOU阈值对目标进行判断，得到目标检测模型；

通过所述目标检测模型对待检测图像进行目标检测。

进一步地，所述从用户语音波形中提取出语音特征序列，包括：

所述获取目标检测图像的数据集，并对数据集中的图像进行增强处理，包括：

步骤A1，采用以下公式对所述数据集中图像的亮度分量进行全局亮度增强处理：

其中，L_γ(c,d)代表全局亮度调整后的亮度函数，γ代表Gamma变化系数，I(c,d)代表数据集中图像的原始亮度分量，q代表高斯函数的标准差值，π代表自然常数，exp代表指数函数，(c,d)代表数据集中图像像素点的坐标；