[发明专利]一种基于邻近尺度特征滤除与转移的物体检测方法

摘要

本发明涉及一种基于邻近尺度特征滤除与转移的物体检测方法，包含下列步骤：收集包含各种不同类别物体的图像，并标注每张图像中的所有感兴趣物体，标注内容为每一个物体的坐标位置，每一个物体的类别，每一张图像的语义分割结果，以其作为图像标签信息。设计物体检测主干卷积神经网络，基于该主干卷积神经网络，提取多层级的物体特征。得到尺度敏感的物体多层级特征。基于尺度敏感的多层级特征，建立尺度敏感的物体检测子，回归和分类对应尺度的物体。输入数据，前向计算预测结果和损失代价，通过反向传播算法计算参数的梯度并更新参数。迭代的更新参数，待代价函数曲线收敛时，模型训练完毕。

主权项

1.一种基于邻近尺度特征滤除与转移的物体检测方法，主要包含下列步骤：/n1)收集包含各种不同类别物体的图像，并标注每张图像中的所有感兴趣物体，标注内容为每一个物体的坐标位置，每一个物体的类别，每一张图像的语义分割结果，以其作为图像标签信息；将收集的图像划分为训练集，验证集和测试集，训练集用于训练卷积神经网络，验证集用于选择最佳的训练模型，测试集为后续测试模型效果或者实际应用时使用。/n2)设计物体检测主干卷积神经网络，基于该主干卷积神经网络，提取多层级的物体特征；其中浅层特征包含所有尺度物体的特征，中层特征包含中尺度与大尺度物体特征，深层特征包含大尺度的物体特征；/n3)通过邻近的较深层特征，生成大中尺度物体的注意力；结合该注意力和浅层特征得到大中尺度物体在浅层特征上的特征信息，在浅层特征上滤除该特征得到小尺度敏感特征，同时将这些特征转移到较深层，用于增强对应尺度的物体特征，得到尺度敏感的物体多层级特征；/n4)基于尺度敏感的多层级特征，建立尺度敏感的物体检测子，回归和分类对应尺度的物体；/n5)输入数据，前向计算预测结果和损失代价，通过反向传播算法计算参数的梯度并更新参数；迭代的更新参数，待代价函数曲线收敛时，模型训练完毕；/n6)将训练好的模型应用于测试或实际应用中，当输入图像时，通过该模型计算得到图像的检测结果，即物体的位置和类别信息。/n