[发明专利]基于密集连接结构的目标检测方法

权利要求书

1.基于密集连接结构的目标检测方法，其特征在于，包括：

定义需要检测的目标类别，收集大量图像数据，对收集的图像数据中目标物体打标签，得到图像数据中目标物体的实际边框，并标注其目标类别，得到数据集；构建由基础网络模块、特征融合模块、密集连接模块和特征聚合模块组成的目标检测网络模型，同时确定损失函数；使用数据集中的数据对所构建的目标检测网络模型进行训练，直至损失函数收敛，则训练过程完成，保存此时对应的权重参数，得到训练好的目标检测网络模型；

对于待检测目标类别的图像，将其输入到训练好的目标检测网络模型，实现目标检测。

2.根据权利要求1所述的基于密集连接结构的目标检测方法，其特征在于，还包括对训练好的目标检测网络模型进行测试，将数据集按照一定的比例划分为训练集、测试集和验证集，训练集用于构建好的目标检测网络模型，测试集和验证集对训练好的目标检测网络模型进行测试，判断目标检测网络模型是否训练好的评价指标包括分类损失曲线、定位损失曲线、召回率和检测精度，当分类损失曲线和定位损失曲线逐渐趋于平稳，即网络模型要收敛，而召回率和检测精度这两个指标开始有下降趋势时，则可终止网络模型的训练，并把此时网络模型对应的各项权重参数保存，得到最终训练好的目标检测网络模型。

3.根据权利要求1或2所述的基于密集连接结构的目标检测方法，其特征在于，基础网络模块使用ResNet50，ResNet50是由一系列的残差单元组成。

4.根据权利要求3所述的基于密集连接结构的目标检测方法，其特征在于，特征融合模块将基础网络模块从输入图像数据中提取到的特征图进行融合，将基础网络模块中两个不同尺度的特征图作为输入，分别对其使用1x1的卷积层对其通道数进行压缩，然后使用上采样操作，将不同尺度的特征图变换为同一尺度，最后对变为相同尺度的特征图进行级联操作，从而融合特征图。

5.根据权利要求4所述的基于密集连接结构的目标检测方法，其特征在于，密集连接模块包括多个密集连接单元，各密集连接单元具有多个卷积神经网络层；各密集连接单元的输入是各密集连接单元之前的前一层输出的特征图，其中第1层密集连接单元的输入是特征融合模块输出的融合特征图；第l层密集连接单元操作的表达式如下：

x_l＝f(y_l)＝f(x_l-1*w_l+b_l)

其中，l表示密集连接模块中的第l层，x_l表示第l层第l层密集连接单元的输入，w_l表示第l层密集连接单元的权重参数矩阵，b_l表示第l层密集连接单元的偏置参数矩阵，*表示卷积操作，f(.)表示激活函数，y_l表示中间变量。

6.根据权利要求4、5或6所述的基于密集连接结构的目标检测方法，其特征在于，特征聚合模块，将相同通道维度的各密集连接单元输出的密集特征图连接在一起，级联得到的聚合特征图，得到聚合特征图之后，对聚合特征图进行压缩操作，压缩时使用全局最大池化进行压缩，最后使用两个全连接层处理后，输出预测结果，即预测边框。