[发明专利]基于小目标特征分布的样本选择方法和目标检测网络

说明书

基于小目标特征分布的样本选择方法和目标检测网络，网络包括：骨干网络，用于提取图像原始特征，输出多层特征图；特征融合网络，用于对多层特征信息进行融合得到单层融合特征图；头部检测网络，包括分类分支、回归分支、相关性分支，利用特征融合网络替代特征金字塔，输出单层特征图为小目标提拱了更多语义信息，在头部检测网络中添加用于衡量分类和回归质量的相关性的分支，缓解检测网络与非极大值抑制算法冲突。样本选择方法根据特征融合网络提取的目标的ROI区域，计算目标的高斯特征分布，利用特征点的高斯感受野分布与目标高斯特征分布的重叠分数，为每个目标选择合适的正样本和负样本训练网络，缓解检测网络对小目标检测性能差的问题。

技术领域

本申请属于计算机视觉技术领域，尤其涉及一种基于小目标特征分布的样本选择方法和目标检测网络。

背景技术

目标检测是计算机视觉领域的一项基础研究，广泛应用于视频监控、自动驾驶等领域。近年来，随着深度学习的发展，基于深度神经网络的目标检测算法取得了很大进步。

基于深度学习的目标检测算法包括检测网络构建、数据预处理、样本选择和网络训练等重要模块。目前，目标检测网络主要分为两阶段检测器和一阶段检测器/单阶段检测器，其中，两阶段检测器包括骨干网络、特征金字塔网络、感兴趣区域提取网络和头部检测网络四部分，两阶段检测器首先提取感兴趣区域，然后送入头部检测网络获取目标的分类信息和定位信息；单阶段检测器包括骨干网络、特征金字塔网络和头部检测网络三部分，单阶段检测器直接输出目标的分类信息和位置信息。单阶段目标检测器检测速度快，具有较高的实时性，适合工程部署。传统的单阶段检测器利用特征金字塔网络对图像特征进行分层处理，但提取的特征层数较深，对小目标而言，在小分辨率的特征图上，只有很少的特征信息，甚至没有特征信息。因此，较深的特征层不适合小目标检测。

样本选择是目标检测算法的重要组成部分，主要包括基于边界框的样本选择方法和基于中心点距离的样本选择方法。基于边界框的样本选择方法，首先根据特征点预先设定的锚(anchor)计算与目标真实边界框的区域重叠分数(IoU分数)，然后选择大于阈值的特征点作为正样本。基于中心点距离的样本选择方法选择在目标边界框内的特征点作为正样本，其余为负样本。以上两种样本选择方法对大目标比较友好。对于小目标而言，由于其边界框较小，落入框内的特正点很少，导致小目标的正样本严重不足，有些较小的目标，甚至没有对应的正样本。因此，网络对小目标的特征提取能力很差。

发明内容

为了解决上述现有技术的不足，本申请提供一种基于目标特征分布的样本选择方法和目标检测网络，应用于单目标阶段检测器，提高小目标检测的性能。

为了实现上述目的，本发明采用以下技术：

一种小目标检测网络，包括：

骨干网络，用于提取输入图像的原始特征，输出多层特征图；

特征融合网络，用于对多层特征信息进行融合得到单层融合特征图；

头部检测网络，其包括：

分类分支，用于融合特征图，预测分类特征，输出目标的分类分数；

回归分支，用于融合特征图，预测回归特征，输出目标的边界框信息；

相关性分支，用于根据目标的分类分数和边界框信息，通过一组卷积网络为每个特征点输出一个相关性分数，预测目标的分类和回归的相关性分数。

骨干网络用于输出三层特征图x₁,x₂,x₃，按照分辨率大小排序分别为特征图x₁的分辨率大于特征图x₂，特征图x₂的分辨率大于特征图x₃。

特征融合网络包括：