[发明专利]一种基于多级特征自适应融合的变尺度目标检测方法

权利要求书

1.一种基于多级特征自适应融合的变尺度目标检测方法，其特征在于，包括以下步骤：

预处理部分，用于输入图像数据的尺寸统一以及样本扩增；

基础网络模块，用于提取样本的初步浅层特征；

附加特征提取模块，用于提取样本的深层语义特征；

两级特征融合模块，用于将深层特征与浅层特征融合；

预测模块，用于将融合后的特征进一步处理；

分类和回归模块，用于计算分类损失和回归损失，实现模型参数优化。

2.根据权利要求1所述的目标检测网络结构，其特征在于，所述基础网络模块为ResNeXt50内置网络，其Stage3_unit4为浅层特征提取层；

所述附加特征提取模块，其中Stage4_unit6、Conv6_2、Conv7_2、Conv8_2、Conv9_2作为深层特征提取层；

所述两级特征融合模块，用于将Stage3_unit4、Stage4_unit6、Conv6_2、Conv7_2、Conv8_2、Conv9_2的特征进行融合，形成多级特征自适应融合；

第一阶段特征融合，将Stage3_unit4、Stage4_unit6、Conv6_2、Conv7_2特征层以concatenation的方式融合形成新的特征层FM1_1，将Stage4_unit6、Conv6_2、Conv7_2特征层以concatenation的方式融合形成新的特征层FM1_2，将Conv6_2、Conv7_2特征层以concatenation的方式融合形成新的特征层FM1_3。其中FM1_2,FM1_3融合策略与FM1_1融合策略相同。

第二阶段特征融合，将FM1_1、FM1_2、FM1_3，以及FM1_2、FM1_3以concatenation的方式融合形成新的特征层FM2_1以及FM2_2。其中FM2_1、FM2_2与FM1_1融合策略相同。

所述预测模块，用于将融合后的特征进一步加强处理。

3.一种基于多级特征自适应融合的变尺度目标检测方法，其特征在于，包括以下训练和测试步骤：

获取用于变尺度目标检测的训练和测试数据集，将标注信息转化为网络模型可直接读取的格式；

初始化网络训练模型，对训练样本进行预处理，将所述原始图像变倍到设定尺寸，并进行浮点转换，得到浮点图像；

利用基础网络模块和附加特征提取模块，提取输入数据的浅层特征和深层特征，形成多级特征变尺度目标检测框架；

利用预测模块对多级特征变尺度特征层进行进一步特征加强；

计算分类与回归损失并反向传播，进行网络参数的迭代更新；

完成网络训练；

将保存的网络模型应用到实际测试数据，完成测试。

4.根据权利要求3所述的目标检测方法，其特征在于，所述初始化训练模型过程中设置算法的预训练模型参数，最大迭代次数、学习率、测试频率、反向传播方法、训练批次尺寸batch_size、每一次迭代批尺寸的个数inter_size、动量参数、分类IOU阈值等参数；对训练样本进行预处理包括将样本统一尺寸，并采用缩放、翻转、随机裁剪、色彩变换、随机加入高斯噪声和椒盐噪声等操作对输入的训练样本集进行数据扩充。