一种基于多尺度特征图跳跃融合的深度学习网络改进方法技术

本发明专利技术公开了一种基于多尺度特征图跳跃融合的深度学习网络改进方法，通过多尺度特征图层间的跳跃连接进行特征融合，通过融合高层语义和低层位置信息使网络能够充分利用高低层特征，提高模型对小目标的敏感性和感知度，同时提升了模型总体检测性能。其次通过多视角多分类策略，实现了高动态场景下目标类别的精准检测。本发明专利技术从速度、实用、鲁棒性等方面考虑，提出了一种基于多尺度特征图跳跃融合的深度学习网络改进方法，提高了SSD算法在高动态场景下的检测性能。

An improved method of deep learning network based on jump fusion of multi-scale feature map

【技术实现步骤摘要】
一种基于多尺度特征图跳跃融合的深度学习网络改进方法
本专利技术涉及一种基于多尺度特征图跳跃融合的深度学习网络改进方法，属于目标检测

技术介绍
深度神经网络结构包含多次特征提取操作，每经过一层卷积操作，网络层次越深，特征图的轮廓和细节信息越少，而语义信息就变得更丰富，模型的感受野也就越大。模型学会了去关注在图像中较大的物体，而对于小目标，模型的辨识能力就比较差。目标检测中的一个技术难点是小目标检测，原SSD算法(单发多框检测器)表现不佳。同时移动车载平台的快速视角变化导致目标检测容易出现漏检误检。
技术实现思路
专利技术目的：本专利技术提出一种基于多尺度特征图跳跃融合的深度学习网络改进方法，提高SSD算法在小目标检测和高动态场景下的检测性能。技术方案：本专利技术采用的技术方案为一种基于多尺度特征图跳跃融合的深度学习网络改进方法，包括以下步骤：构建基于卷积层的特征融合网络；设计特征融合连接模块；选择融合策略及上采样方式，得到基于SSD多尺度特征图层间跳跃融合结构；融入多视角策略训练上述尺度特征图层间跳跃融合结构。所述特征融合网络为特征图层间跳跃连接。所述特征图层间跳跃连接依次包括第本文档来自技高网...

【技术保护点】
1.一种基于多尺度特征图跳跃融合的深度学习网络改进方法，其特征在于，包括以下步骤：构建基于卷积层的特征融合网络；设计特征融合连接模块；选择融合策略及上采样方式，得到基于SSD多尺度特征图层间跳跃融合结构；融入多视角策略训练上述尺度特征图层间跳跃融合结构。

【技术特征摘要】
1.一种基于多尺度特征图跳跃融合的深度学习网络改进方法，其特征在于，包括以下步骤：构建基于卷积层的特征融合网络；设计特征融合连接模块；选择融合策略及上采样方式，得到基于SSD多尺度特征图层间跳跃融合结构；融入多视角策略训练上述尺度特征图层间跳跃融合结构。2.根据权利要求1所述的基于多尺度特征图跳跃融合的深度学习网络改进方法，其特征在于，所述特征融合网络为特征图层间跳跃连接。3.根据权利要求2所述的基于多尺度特征图跳跃融合的深度学习网络改进方法，其特征在于，所述特征图层间跳跃连接依次包括第四三融合卷积层(Conv4_3_ff)、第七融合全连接层(fc7_ff)、第六二融合卷积层(Conv6_2_ff)、第七二融合卷积层(Conv7_2_ff)、第八二卷积层(Conv8_2)和...

【专利技术属性】
技术研发人员：张小国，叶绯，郑冰清，张开心，王慧青，
申请(专利权)人：东南大学，
类型：发明
国别省市：江苏,32