基于有效感受野的单阶段多尺度特定目标的实时检测方法技术

本发明专利技术提供了基于有效感受野的单阶段多尺度特定目标的实时检测方法。该方法首先是从SSD的多尺度架构中提取出相应的特征层，并根据感受野覆盖的像素范围来选择尺度；其次，我们移除了传统方法中的anchor结构，采用更少的特征层，利用天然感受野的特性直接对特征图的对应的感受野框进行分类和回归。最后采用RF(感受野)采样框置灰学习策略，避免学习冗杂多余参数。本方法大大降低了传统基于anchor采样框的算法复杂度，提高了检测的效率并能够达到实时的效果，在数据量非常大的应用背景下非常具有使用价值。

【技术实现步骤摘要】
基于有效感受野的单阶段多尺度特定目标的实时检测方法
本专利技术属于计算机领域，涉及一种基于有效感受野的单阶段多尺度特定目标的实时检测方法。
技术介绍
大数据可以被认为是当前学术界和产业界研究的热点并逐渐影响着人们的日常生活和工作方式，其特征可以被认为是数据量大、多样性，因此在处理大数据的任务时实时性就变得非常重要。随着计算机和人工智能技术在图像领域的发展，目标检测成为了一个非常热门的话题，特定目标检测是许多后续与特定目标相关应用的关键步骤，例如：特定目标识别，特定目标验证以及特定目标追踪等。近年来，卷积神经网络取得了显著地成功。从图像分类到物体检测，同时也激发了特定目标检测。一方面，很多工作在传统的检测框架中应用了CNN作为特征提取器，另一方面，特定目标检测被认为是通用目标检测的一个部分，很多方法继承了通用目标检测方法中有效的技术。然而，现有的大多数方法都只考虑检测的准确性而未达到实时性，因此随着数据量的增大使用效率会大大降低。然而现实生活中不仅要求精度，更要求速度，例如一部高清电影会产生20万到30万帧而现有的方法很难做到实时的检测和追踪。基于anchor的检测方法主要是通过对一系本文档来自技高网...

【技术保护点】
1.一个基于有效感受野的单阶段多尺度特定目标的实时检测方法，其特征包括以下步骤：(1)基于SSD的多尺度架构(2)构建轻量级网络，提取相应特征层构建了一个FCN全卷积网络，根据有效感受野覆盖的像素范围来选择相应网络层，分别提取了conv10_3，conv13_3，conv15_3，conv_17_3，conv_19_3相应的特征图大小分别分83x83，41x41，41x41，41x41，20x20，步长为4,8,8,8,16，感受野尺寸为71,111,143,175,223；(3)训练网络训练阶段，利用天然感受野的特性，直接对不同尺度特征图对应的每个感受野框进行分类和回归；训练过程会出现一些采...

【技术特征摘要】
1.一个基于有效感受野的单阶段多尺度特定目标的实时检测方法，其特征包括以下步骤：(1)基于SSD的多尺度架构(2)构建轻量级网络，提取相应特征层构建了一个FCN全卷积网络，根据有效感受野覆盖的像素范围来选择相应网络层，分别提取了conv10_3，conv13_3，conv15_3，conv_17_3，conv_19_3相应的特征图大小分别分83x83，41x41，41x41，41x41，20x20，步长为4,8,8,8,16，感受野尺寸为71,111,143,175,223；(3)训练网络训练阶段，利用天然感受野的特性，直接对不同尺度特征图对应的每个感受野框进行分类和回归；训练过程会出现一些采样框，既不属于正样本，也不属于负样本，把这一部分的采样框进行置灰处理，即不更新网络参数；(4)预测结果预测阶段，不同尺度的特征层得到不同大小的预测框，得分值高于阈值的即为最终的结果，该阈值为0.5。2.根据权利要求1所述的单阶段多尺度目标的实时检测方法，其特征在于步骤(3)具体如下：输入图像矩阵集合I＝{I1，I2…In}；I表示输入图像的矩阵，n为表示图像矩阵的索引；经过FCN全卷积神经网络，得到conv10_3,conv_13_3,conv15_3,conv17_3，conv_19_3的特征图，网络根据不同尺度的目标对应得特征图...

【专利技术属性】
技术研发人员：毋立芳，徐得中，赵青，简萌，王东，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11