[发明专利]基于DenseNet和多尺度特征融合的目标检测方法

摘要

本发明提供基于DenseNet和多尺度特征融合的目标检测方法，其包括：S1构建特征提取网络模型；S2训练特征提取网络模型，通过多次迭代训练得到最优目标检测模型；S3将待检测图像数据输入到最优目标检测模型进行检测，在待检测图像上用矩形框标注每个物体的位置和类别；特征提取网络模型以DenseNet网络为基础网络，加深了网络层次，提高了特征质量，同时使用特征融合模块，引入上下文信息，得到六个用于最终预测的特征图，具有丰富的语义信息和较高的分辨率。本发明方法可在保证检测速度的基础上，降低模型规模，提升对小目标的检测精度。

主权项

1.基于DenseNet和多尺度特征融合的目标检测方法，其包括以下步骤：S1：构建特征提取网络模型；S2：训练所述特征提取网络模型，利用融合后的特征图对模型进行分类和回归，得到目标检测模型，通过多次迭代训练得到最优目标检测模型；S3：将待检测图像数据输入到S2中得到的所述最优目标检测模型，利用所述最优目标检测模型进行检测，在所述待检测图像上用矩形框标注每个物体的位置和类别；其特征在于：步骤S1中所述特征提取网络模型以DenseNet网络为基础网络，由4个Dense block与3个过渡层交替拼接而成；而后依次连接三组卷积层Conv1～Conv3；其还包括特征融合模块，将低层细节特征图与高层语义特征图进行融合，引入上下文信息，提高特征的表征能力；经过所述特征提取网络模型共提取出六个不同尺度的卷积特征图，分别为Denseblock2、Denseblock3、Denseblock4、Conv1、Conv2、Conv3，所述特征融合模块将特征图Denseblock2与Denseblock4相融合，特征图Denseblock3与Conv1相融合，得到六个用于最终预测的特征图。