基于深浅层卷积神经网络的目标检测方法技术

本发明专利技术公开一种基于深浅层卷积神经网络的目标检测方法，首先对训练图像进行特征提取网络，包括深层神经网络和浅层神经网络，得到联合特征图；其次利用推荐网RPN对联合特征图进行进一步提取，得到区域推荐特征图；接着对区域推荐特征图进行特征降维；之后利用降维后的区域推荐特征图对模型进行分类和回归，得到目标检测模型；最后利用该目标检测模型对待测试图像进行检测。本发明专利技术能够在保持大目标检测准确率不变的同时，能显著提升对小目标检测的准确率，且目标检测速度没有明显降低。

【技术实现步骤摘要】
基于深浅层卷积神经网络的目标检测方法
本专利技术涉及目标检测
，具体涉及一种基于深浅层卷积神经网络的目标检测方法。
技术介绍
目标检测技术在智能交通、道路检测、军事目标探测等方面有着广泛应用。随着深度学习技术和大型视觉识别数据集的出现，深度目标检测技术得到了快速发展，其中以基于R-CNN(Region-basedConvolutionalNeuralNetworks)的两阶段目标检测框架和基于直接回归的单阶段目标检测框架最具代表性。基于R-CNN的目标检测框架主要由图像卷积特征生成、目标候选区域推荐、候选区域分类与回归三大部分组成。与传统的目标检测方法相比，R-CNN系列方法免去了人为提取特征的主观片面性，同时实现了目标特征提取与分类过程的二合一。基于直接回归的单阶段目标检测框架目标检测方法免去了候选区域推荐的环节，通过直接在图像的多个位置回归出目标的类别和边框来完成目标检测。与基于直接回归的方法相比，虽然R-CNN系列方法的检测速度要慢一些，但检测精度普遍要高，由于大多数的目标检测任务对精确度要求更多，因而基于R-CNN系列方法的应用更为广泛。论文“Richfeaturehi本文档来自技高网...

【技术保护点】
1.基于深浅层卷积神经网络的目标检测方法，其特征是，包括步骤如下：步骤1、以ImageNet数据集预训练的目标检测模型为基础，对目标检测模型进行参数初始化；步骤2、对训练图像进行特征提取，即：步骤2.1、将训练图像进行卷积运算提取图像的卷积特征；步骤2.2、将步骤2.1所得到的卷积特征分别送入到浅层卷积神经网络和深层卷积神经网络进行特征提取；步骤2.3、将将步骤2.2所得到的浅层卷积神经网络所提取的特征和深层卷积神经网络所提取的特征进行有机联合，并压缩成一个统一的空间，得到联合特征图；步骤3、对步骤2所得到的联合特征图使用滑动窗口进行遍历与卷积，并使用区域推荐网络的锚机制，在联合特征图上生成一...

【技术特征摘要】
1.基于深浅层卷积神经网络的目标检测方法，其特征是，包括步骤如下：步骤1、以ImageNet数据集预训练的目标检测模型为基础，对目标检测模型进行参数初始化；步骤2、对训练图像进行特征提取，即：步骤2.1、将训练图像进行卷积运算提取图像的卷积特征；步骤2.2、将步骤2.1所得到的卷积特征分别送入到浅层卷积神经网络和深层卷积神经网络进行特征提取；步骤2.3、将将步骤2.2所得到的浅层卷积神经网络所提取的特征和深层卷积神经网络所提取的特征进行有机联合，并压缩成一个统一的空间，得到联合特征图；步骤3、对步骤2所得到的联合特征图使用滑动窗口进行遍历与卷积，并使用区域推荐网络的锚机制，在联合特征图上生成一定数量的区域推荐框，并根据这些区域推荐框从联合特征图中提取出区域推荐特征图；步骤4、使用特征降维器对步骤3所得到的区域推荐特征图进行降维；步骤5、对步骤4所得到的降维后区域推荐特征图送入到目标检测模型中...

【专利技术属性】
技术研发人员：张灿龙，何东城，李志欣，程庆贺，
申请(专利权)人：广西师范大学，
类型：发明
国别省市：广西,45