[发明专利]基于层级类激活图的目标定位方法、系统及计算机设备

摘要

本发明涉及深度学习领域和物体检测领域，本发明公开了基于层级类激活图的目标定位方法、系统及计算机设备，该方法构建了一个层级模型，在卷积层后面采用全局平均池化层或金字塔池化层来替代传统的全连接层，以避免在全连接层丢失图像结构信息。该方法在低层中的多个卷积层采集相应的特征信息，从而获得层级类激活图。本发明的层级类激活图不仅仅是从最后一层采集特征图，而是在低层中的多个卷积层中进行采集，从而减少低层图像信息的丢失，提高了图像定位能力。

主权项

1.一种基于层级类激活图的目标定位方法，所述方法包括将待预测图像输入到卷积层级结构中，并提取出待预测图像的层级特征，生成待预测图像的层级类激活图；保留层级类激活图中的部分值，并生成能预测出待预测图像中待测目标的边界框；其特征在于，层级类激活图的生成包括以下步骤：S1、构建待预测图像的卷积层级结构，包括在VGG19网络结构中的卷积层4‑3、卷积层4‑4、卷积层5‑3、卷积层5‑4后面分别添加一层自定义卷积层；S2、设置S1中所添加自定义卷积层的步长和padding；S3、将S2中卷积层4‑3、卷积层4‑4各自对应的自定义卷积层输出的特征图按照通道进行叠加得到第一叠加层；将卷积层5‑3、卷积层5‑4各自对应的自定义卷积层输出的特征图按照通道进行叠加得到第二叠加层；S4、将第一叠加层和第二叠加层分别进行池化依次得到池化层输出的TA_n和TB_n；S5、把TA_n和TB_n送入到线性层中，求得分类的得分Sc；S6、根据分类得分Sc，使用softmax函数和交叉熵损失函数对卷积网络训练，得到权重和S7、分别求出第一叠加层和第二叠加层的显著图，使用线性二插值法将其放大至待预测图像一致后，将两个显著图相加，得到层级类激活图；保留其大于最大激活值的20％的部分，并将其用于生成预测的边界框。