[发明专利]基于预分割和回归的深度学习目标检测方法

摘要

本发明公开了一种基于预分割和回归的深度学习的目标检测方法，主要解决现有目标检测方法对小目标检测精度差和检测时间长的问题。其实现方案是1)利用四叉树分割算法提取待检测图像的感兴趣区域；2)使用基础卷积层和辅助卷积层对感兴趣区域进行特征提取，得到多个尺度的特征图；3)在多个尺度的特征图上计算默认边框的位置信息，使用卷积滤波器在多个尺度的特征图上进行检测，得到多个预测边框和多个类别得分；4)使用非极大值抑制对多个预测边框和多个类别得分，得到最终的目标的边框位置和类别信息。本发明能对图像中的小目标进行快速准确的检测，可用于无人机航拍中的目标实时检测。

主权项

基于预分割和回归的深度学习目标检测方法，包括：(1)根据四叉树算法和卷积神经网络VGG‑16建立基于预分割和回归的深度学习网络模型；(2)在图像训练集上训练构建好的网络模型；(2a)使用图像集PASCAL VOC2007和PASCAL VOC2012的训练数据集作为训练集，用图像集PASCAL VOC2007的测试数据集作为测试集；(2b)对训练集中标注图像的标注边框和网络模型中生成的特征图上的默认边框进行匹配；(2c)构造网络模型的目标损失函数L(x,l,c,g)；L(x,l,c,g)=1N(Lconf(x,c))+αLloc(x,l,g)]]>其中，x为特征图上的默认边框，l为预测框，g为标注边框，c为特征图上的默认边框在每个类别上的类别得分集合，Lconf(x,c)表示特征图上的默认边框在类别得分集合c上的softmax分类损失函数，Lloc(x,l,g)表示定位损失函数，N表示与标注边框匹配的默认边框数，参数α通过交叉验证设置为1；(2d)采用梯度下降法最小化损失函数同时对网络中的权重参数逐层反向调节，得到训练好的网络模型；(3)将待检测的原始图像输入到训练好的网络模型中,得到待检测图像中的目标类别和位置坐标。