[发明专利]基于FASTER-RCNN模型的多尺度检测方法

权利要求书

1.基于FASTER-RCNN模型的多尺度检测方法，其特征在于，包括以下步骤：

步骤1、将待检测图像输入VGG16卷积神经网络，以VGG16卷积神经网络中的conv1_2、conv3_3、conv5_3三种特征提取层的输出同时依次经过RPN、ROI pooling网络，得到初步的Faster-RCNN模型；

步骤2、对所述初步的Faster-RCNN模型进行稀疏化训练，找出权重较小的小标度因子通道；

步骤3、对所述小标度因子通道进行剪枝，得到小目标Faster-RCNN模型；

步骤4、对所述小目标Faster-RCNN模型中特征提取网络的浮点运算数类型从floa32类型转换至int8类型数据，得到多尺度小目标Faster-RCNN模型。

2.根据权利要求1所述的基于FASTER-RCNN模型的多尺度检测方法，其特征在于，在步骤1之前先对待检测图像标记兴趣点，开展数据清洗工作，形成预训练模型样本库；再对预训练模型样本库中的图像进行数据增强处理，添加特征图像噪声过滤机制，并统一每类样本图像数，得到待检测图像。

3.根据权利要求1所述的基于FASTER-RCNN模型的多尺度检测方法，其特征在于，步骤1具体过程为：

将每类待检测图像输入VGG16卷积神经网络，以VGG16卷积神经网络中的conv1_2、conv3_3、conv5_3三种特征提取层输出的特征图同时作为RPN的输入，由RPN生成三个尺度的候选框对特征图进行判断，同时对候选框进行修正，输出尺度不一的候选框特征图，即目标特征图；采用ROI pooling将三个尺度的候选框映射到目标特征图上，ROI pooling通过设定固定尺度计算每一次采样网络的大小，将任何有效的感兴趣区域内的特征转换为原图大小的固定范围特征图；将候选框特征图进行目标分类与边框回归，从而完成目标在图像中的定位，即形成了初步的Faster-RCNN模型。

4.根据权利要求1所述的基于FASTER-RCNN模型的多尺度检测方法，其特征在于，步骤3中所述剪枝中尺度因子的修剪阈值为0～1。

5.根据权利要求1所述的基于FASTER-RCNN模型的多尺度检测方法，其特征在于，步骤4的具体过程为：对所述多尺度小目标Faster-RCNN模型中特征提取网络中分布均匀的激活值，直接将一个张量中范围是[-|max|,+|max|]的floa32类型数据映射为范围是[-127,+127]的int8类型数据；对于分布不均匀的激活值，先采用散度对于每层的激活值设定阈值|T|，再[-|T|，+|T|]的floa32类型数据映射为范围是[-127,+127]的int8类型数据，超出阈值|T|的部分全部映射在两端，得到多尺度小目标Faster-RCNN模型。