[发明专利]基于卷积神经网络的多目标检测模型构建方法

摘要

本发明公开了一种基于卷积神经网络的多目标检测模型构建方法，旨在解决现有检测模型不能区分多种目标，并且难以识别小目标的技术问题。本发明包括以下步骤：步骤1：搭建Caffe深度学习框架，其中检测模型的配置利用Faster R‑CNN算法完成，并引入ZF网络进行特征提取；步骤2、设计用于实时准确地生成多目标区域的ADPN网络；步骤3、设计ADPN的损失函数对其进行优化；步骤4、训练ADPN；步骤5、设计用于检测多目标类别和位置的DALN子网络；步骤6、设计DALN的损失函数对其进行优化；步骤7、训练DALN；步骤8、对ADPN和DALN进行联合训练，得到检测模型。本发明的有益技术效果在于：能够识别出多种类别的目标，提高了对小目标的识别能力，并且运算速度快，精度高。

主权项

1.一种基于卷积神经网络的多目标检测模型构建方法，其特征在于，包括以下步骤：步骤1、搭建Caffe深度学习框架，其中检测模型的配置利用Faster R‑CNN算法完成，并用ZF网络进行特征提取；所述ZF网络包括5个卷积层和3个全连接层的共享层；步骤2、设计用于实时准确地生成多目标区域的ADPN网络；所述ADPN网络包括5个卷积层、1个姊妹卷积层、3个最大池化层和2个额外的卷积层，将第5个卷积层和1对姊妹卷积层输出的特征图组合成一个连接的特征图，用两个额外的卷积层计算多目标的区域，并设置不同滑动窗口的种类用于产生小尺寸多目标区域的滑动窗口；步骤3、分别利用softmax损失函数和smoothL1损失函数对所述ADPN网络进行优化；所述ADPN网络包括两个输出层，其中，第1个输出层为每个预测区域输出一个类似于目标的分数，通过softmax损失函数对其进行优化，第2个输出层输出每个预测区域的坐标向量，通过smoothL1损失函数对其进行优化；步骤4、采用随机梯度下降法对所述ADPN网络进行训练；步骤5、设计用于检测多目标类别和位置的DALN网络；所述DALN网络包括最大池化层和ROI池化层，以及FC6和FC7全连接层，FC7层又分成两个全连接层，即FC_type和FC_ori;FC_type的输出被提供给一个双向的softmax，产生一个类别标签，FC_ori的输出被提供给一个8向的softmax，产生一个位置标签；步骤6、利用两个softmax损失函数对所述DALN网络进行优化；步骤7、对所述DALN网络进行训练；步骤8、对所述ADPN网络和DALN网络进行联合训练，得到检测模型。