[发明专利]一种基于双向自适应特征金字塔的目标检测方法及系统

说明书

本发明提供了一种基于双向自适应特征金字塔的目标检测方法及系统，所述方法包括以下步骤：获取待检测图像；采用预先训练的目标检测模型进行目标检测；其中，所述目标检测模型采用双向自适应特征金字塔进行特征融合和增强，在每一层的最后，通过自底向上增强路径得到的每一层输出的特征图，还分别与其他层输出的特征图进行自适应加权融合，作为该层的最终输出。本发明能够充分利用不同尺度的特征信息，从而获取更丰富的特征，提高了检测精度。

技术领域

本发明属于图像目标检测技术领域，尤其涉及一种基于双向自适应特征金字塔的目标检测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

目标检测是计算机视觉非常重要的一个方向，能够广泛应用于视频监控、交通管控、人员安防、自动驾驶、安全系统、医疗等诸多领域，通过目标检测减少人力消耗。图像目标检测算法得到了广泛应用，但是现有目标检测方法仍存在不足，例如性能不好，或者目标检测的速度和精确度难以兼顾。

据发明人了解，目前许多检测效果较好的目标检测方法均用到了特征金字塔，但是，现有的特征金字塔结构只有自顶向下和自底向上的两个通道来融合特征，虽然对于一阶目标检测网络来说，能够提升目标检测的能力，但是，金字塔同一层次的特征并没有充分利用；并且，现有的特征金字塔结构在经过自底向上通道得到各层的输出之后就进行目标检测，没有充分考虑不同层之间的相互影响，这些对于目标检测结果均存在一定的影响。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于双向自适应特征金字塔的目标检测方法及系统，能够充分利用不同尺度的特征信息，从而获取更丰富的特征，提高了检测精度。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

一种基于双向自适应特征金字塔的目标检测方法，包括以下步骤：

获取待检测图像；

采用预先训练的目标检测模型进行目标检测；

其中，所述目标检测模型采用双向自适应特征金字塔进行特征融合和增强，在每一层的最后，通过自底向上增强路径得到的每一层输出的特征图，还分别与其他层输出的特征图进行自适应加权融合，作为该层的最终输出。

进一步地，所述双向自适应特征金字塔包括自顶向下融合路径和自底向上增强路径，对不同尺度的特征图进行融合和增强。

进一步地，在特征金字塔的每一层中，将该层的输入特征与该层经横向连接得到的融合特征再次进行融合。

进一步地，将自顶向下融合路径和自底向上增强路径重复执行多次。

进一步地，所述目标检测模型训练方法包括：

获取包含待检测目标的图像数据集并进行预处理，得到图像训练集；

基于图像训练集，对搭建的深度学习神经网络进行训练，得到目标检测模型，其中，所述深度学习神经网络包括骨干网络、双向自适应特征金字塔、空间金字塔池化层和全连接层。

进一步地，获取包含待检测目标的图像数据集并进行预处理后，还得到图像测试集；

将n幅图像作为一组，对每幅图像分别进行翻转、缩放、色域变化等处理；对每幅图像进行随机裁剪；将随机裁剪后的n幅图像进行拼接，得到一幅训练图像。

进一步地，获取包含待检测目标的图像数据集并进行预处理后，还得到图像测试集，用于目标检测模型的测试和优化。

一个或多个实施例提供了一种基于双向自适应特征金字塔的目标检测系统，包括：

数据获取模块，获取待检测图像；