【技术实现步骤摘要】
一种聚焦关键区域的深度学习目标检测方法
：本专利技术涉及深度学习领域，涉及图像中目标检测技术。
技术介绍
随着深度神经网络的出现，计算机视觉在图像分类，目标检测，图像分割等方面的能利得到了显著的提高。其中，目标检测在图像分析中拥有着广大的应用空间。目前主要有两类目标检测框架：一种是像Faster-RCNN和R-FCN这样的双发框架，另一种是像YOLO和SSD这样的单发框架。而Faster-RCNN这样的双发框架-先选取若干提议区域，然后对提议区域进行分类-提议区域的选取准确率直接影响了目标检测结果的准确率。在很多情况下，所需检测的目标往往都处于特定的区域内，这些与目标息息相关的区域即是关键区域。由于关键区域是少量、局部且与目标存在因果关系，因此可以将目标的检测范围限定在这样的区域内，从而提高检测的准确度。
技术实现思路
：本专利技术的目的是提供一种在图像中准确检测目标的方法。为解决上述技术问题，本专利技术提供了一种聚焦关键区域的深度学习检测方法，包括如下步骤：步骤S1，在模型训练阶段，首先用卷积神经网络对图像进行特征提取，得到低层特征图；步骤S2，使用区域提议网络对低...
【技术保护点】
1.一种聚焦关键区域的深度学习目标检测方法，其特征在于，包括如下步骤：步骤S1，在模型训练阶段，首先用卷积神经网络对图像进行特征提取，得到低层特征图；步骤S2，使用区域提议网络对低层特征图进行提议区域选取，得到类别为非背景的提议区域；步骤S3，用轮廓检测技术得到关键区域轮廓，计算提议区域到关键区域的距离；步骤S4，根据距离计算出惩罚权重并代入区域提议网络的损失函数，加大对偏离关键区域的提议区域的惩罚力度；步骤S5，使用非极大值抑制移除重复预测的提议区域；步骤S6，把提议区域和低层特征图输入到兴趣区域池化层，得到各个提议区域形状相同的特征；步骤S7，把各个提议区域形状相同的特...
【技术特征摘要】
1.一种聚焦关键区域的深度学习目标检测方法，其特征在于，包括如下步骤：步骤S1，在模型训练阶段，首先用卷积神经网络对图像进行特征提取，得到低层特征图；步骤S2，使用区域提议网络对低层特征图进行提议区域选取，得到类别为非背景的提议区域；步骤S3，用轮廓检测技术得到关键区域轮廓，计算提议区域到关键区域的距离；步骤S4，根据距离计算出惩罚权重并代入区域提议网络的损失函数，加大对偏离关键区域的提议区域的惩罚力度；步骤S5，使用非极大值抑制移除重复预测的提议区域；步骤S6，把提议区域和低层特征图输入到兴趣区域池化层，得到各个提议区域形状相同的特征；步骤S7，把各个提议区域形状相同的特征图输入到全连接层，得到每个提议区域的类别和边界框；步骤S8，在模型测试阶段，使用上述步骤训练好的网络来进行对目标的类别和位置进行检测。2.根据权利要求1所述的聚焦关键区域的深度学习检测方法，其特征在于，所述步骤S1中在模型训练阶段，首先用卷积神经网络对图像进行特征提取，得到低层特征图包括：采用VGG16网络来提取输入图片的特征，输出的形状记为1×c1×h1×w1，c1、h1、w1分别为特征图的通道数、高、宽。3.根据权利要求1所述的聚焦关键区域的深度学习检测方法，其特征在于，所述步骤S2中使用区域提议网络对低层特征图进行提议区域选取，得到类别为非背景的提议区域包括：使用填充为1的3×3卷积层对低层特征图进行通道数变换，并将输出通道数记为c2；这样，低层特征图中的每个单元均得到一个长度为c2的新特征；以特征图每个单元为中心，设置多个不同大小和宽高比的锚框；用3×3卷积层在锚框的基础上进行区域提议。4.根据权利要求1所述的聚焦关键区域的深度学习检测方法，其特征在于，所述步骤S3中用轮廓检测技术得到关键区域轮廓，计算提议区域到关键区域的距离包括：对于输入图像I，使用图像轮廓检测技术对其进行关键区域轮廓检测，得到轮廓集其中nCI为关键区域的个数，为轮廓的点集，xj和yj分别为点集中每个点在原图中的x轴、y轴坐标，nCIP为点集里点的数量；对于区域提议网络提出的提议区域边界框其中nBbox为提议区域的数量，和分别为提议区域边界框的左上角和右下角坐标，对于其中每个提议区域边界框Bboxi首先计算其中心坐标距离各关键区域的最小距离令原图I的长和宽为HI和WI，接下来将进行归一化得到归一化最小距离5.根据权利要求1所述的聚焦关键区域的深度学习检测方法，其特征在于，所述步骤S4中根据距离计算...
【专利技术属性】
技术研发人员：李建强，刘雅琦，赵青，白骏，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：北京,11
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。