The invention discloses a target detection method based on feature weighting and feature correlation fusion, which includes: extracting fusion weights from the features of the upper receptive field in the feature pyramid network; applying fusion weights to the features of the upper receptive field and then fusing with the features of the lower receptive field; calculating the feature correlation of the first three feature maps in the feature pyramid network; The correlation between the higher-level receptive field features and the lower-level receptive field features in the adjacent feature layer of the conquest pyramid network is fused further; the correlation obtained by the fusion is applied to the corresponding level feature map of the feature pyramid network to detect the target by the improved feature pyramid network. The invention can improve the detection and recognition accuracy of the characteristic pyramid network for objects of different scales.
【技术实现步骤摘要】
一种基于特征加权和特征相关性融合的目标检测方法
本专利技术属于图像处理及智能目标检测识别
,更具体地,涉及一种基于特征加权和特征相关性融合的目标检测方法。
技术介绍
识别尺度差别较大的物体或目标对计算机视觉任务而言一直是一个富有挑战性的问题。近年来,基于深度卷积网络对物体进行检测识别的方法相对于传统的检测算法而言,在物体检测精度和识别精度上取得了相当大的进步;然而在利用卷积神经网络进行物体检测中,在同一个特征尺度上进行检测时,如果特征的尺度过大,会导致特征对于尺度较大的物体而言其不够抽象,难以覆盖其相应的感受野;如果特征的尺度过小,对于尺度较大的物体会有相对更好的效果,然而对于那些较小的物体而言,其特征很有可能随着特征图感受野增大而变得难以区分;因此采用特征金子塔网络(FeaturePyramidNetworks)的方式,在不同尺度上对物体进行检测可以有效克服上述的矛盾。然而在对特征金子塔网络进行了分析和实验后,发现以下两处可以改进的方式:首先,在不同的感受野特征进行融合时,特征金子塔网络采用的方式是对较高层的感受野的特征图进行上采样后与经过1×1卷积后的较低层特征图直接相加的方式;虽然融合后的特征综合了高层的抽象特征和较低层的分割特征,但特征之间存在较大的差异,并且对于较小目标而言,高层抽象特征可能不含有其需要的信息;其次,特征金子塔网络中的较低层次上的特征上虽然保留了更多尺度较小的物体的特征信息,然而较低层次的特征图上往往只含有较为浅显的特征,这对于需要精确分类和定位的物体检测任务而言是一个需要解决的问题。虽然特征金子塔网络通过bottom-up ...
【技术保护点】
1.一种基于特征加权和特征相关性融合的目标检测方法,其特征在于,包括:S1:从特征金字塔网络中第一目标层的感受野的特征中提取融合权重;S2:将所述融合权重作用于所述第一目标层的感受野特征后再与第二目标层的感受野特征融合,其中,所述第一目标层的层次高于所述第二目标层的层次;S3:计算所述特征金字塔网络中前三层特征图的特征相关性;S4:将所述特征金字塔网络中的相邻特征层中的较高层感受野特征的相关性与相邻特征层中的较低层感受野特征的相关性进行进一步融合;S5:将融合得到的相关性作用于所述特征金子塔网络中相应层级的特征图中,以由改进后的特征金子塔网络进行目标检测。
【技术特征摘要】
1.一种基于特征加权和特征相关性融合的目标检测方法,其特征在于,包括:S1:从特征金字塔网络中第一目标层的感受野的特征中提取融合权重;S2:将所述融合权重作用于所述第一目标层的感受野特征后再与第二目标层的感受野特征融合,其中,所述第一目标层的层次高于所述第二目标层的层次;S3:计算所述特征金字塔网络中前三层特征图的特征相关性;S4:将所述特征金字塔网络中的相邻特征层中的较高层感受野特征的相关性与相邻特征层中的较低层感受野特征的相关性进行进一步融合;S5:将融合得到的相关性作用于所述特征金子塔网络中相应层级的特征图中,以由改进后的特征金子塔网络进行目标检测。2.根据权利要求1所述的方法,其特征在于,步骤S1包括:S1.1:对经过上采样后的第一目标层的感受野特征图进行卷积得到输出维度为M维的特征图,M为整数;S1.2:对所述M维的特征图通过平均池化得到M维的特征向量,并将所述M维的特征向量进行向量化为N×N的特征图,其中,N×N=M,平均池化为对所述M维的特征图的每一维求取平均值;S1.3:对所述N×N的特征图通过若干层卷积得到N×N的权重图,其中,每次卷积后得到的特征图大小不变,激活函数采用Relu函数;S1.4:对所述N×N的权重图通过sigmoid函数得到权重向量为N×N的目标权重图,并将所述目标权重图转化为一维权重向量。3.根据权利要求2所述的方法,其特征在于,步骤S2包括:S2.1:计算所述第一目标层的感受野特征经过所述一维权重向量进行特征选择后的选择性特征;S2.2:融合所述第二目标层的感受野特征、所述第一目标层的感受野特征及经过权重选择后的所述选择性特征。4.根据权利要求3所述的方法,其特征在于,步骤S2.1包括:由F′H[c]=FH[c]*w[c]计算所述第一目标层的感受野特征FH经过所述一维权重向量w进行特征选择后的选择性特征F′H,其中,c代表在三维特征图中通道索引为c的二维特征图,*表示卷积操作。5.根据权利要求3或4所述的方法,其特征在于,步骤S2.2包括:由Fm=FL+...
【专利技术属性】
技术研发人员:左峥嵘,吴双忱,桑农,
申请(专利权)人:华中科技大学,
类型:发明
国别省市:湖北,42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。