一种目标检测器及其构建方法和应用技术

本发明专利技术公开了一种目标检测器及其构建方法和应用，方法包括：搭建Faster R‑CNN目标检测模型框架，包括区域建议网络模块RPN和多个级联的多核多背景检测结构；采用RPN生成训练样本集；基于训练样本集及其权重分布，采用损失函数迭代训练多个级联的多核多背景检测结构，得到Faster R‑CNN目标检测模型；其中每次迭代训练时训练完每一个多核多背景检测结构后，更新权重分布且其中损失函数值大的训练样本则其权重大，并基于更新的权重分布以及当前多核多背景检测结构产生的回归样本，训练级联的下一多核多背景检测结构。本发明专利技术在Faster R‑CNN中引入多个级联的多核多背景检测结构，并基于权重分布及其更新进行训练，提高整个检测器分类精度，使其在复杂背景下有较好的检测性能。

【技术实现步骤摘要】
一种目标检测器及其构建方法和应用
本专利技术属于目标检测领域，更具体地，涉及一种目标检测器及其构建方法和应用。
技术介绍
目标检测是一个复杂的问题，需要解决两个主要任务，首先检测器必须解决识别问题，区分目标和背景，并为其分配相应的类别标签。其次，检测器必须解决定位问题(也即回归)，为目标分配准确的边界框。这两个任务都特别困难，因为图像中有很多与目标特征十分接近的疑似目标，这会影响检测器的判断。因此，检测器必须在抑制这些疑似目标的同时找到真正的目标。当目标(特别是无人机)处于复杂背景中时，检测器很难正确地检测到目标，检测器的性能会受到极大的影响。在复杂背景下进行目标检测，主要有两种情况会导致检测性能变差：(1)背景被判别为目标。这种情况主要是因为背景的颜色、纹理等图像特征与目标极为接近，导致检测器误检，这样会降低检测的精确率。(2)目标被判断为背景。这种情况主要是因为目标被物体遮挡，或者目标淹没在背景中，检测器没有提取到足够多的特征，导致检测器漏检，这样会降低检测的召回率。之所以出现以上情况，是因为在对建议区域进行分类时，背景置信度与前景置信度相本文档来自技高网...

【技术保护点】
1.一种目标检测器的构建方法，其特征在于，包括：/n搭建Faster R-CNN目标检测模型框架，该框架包括区域建议网络模块和多个级联的多核多背景检测结构；/n采用所述区域建议网络模块，生成训练样本集；/n基于所述训练样本集及其权重分布，采用损失函数，迭代训练所述多个级联的多核多背景检测结构，得到Faster R-CNN目标检测模型；/n其中，每次迭代训练时，训练完每一个多核多背景检测结构后，更新所述权重分布且其中损失函数值大的训练样本则其权重大，并基于所述更新的权重分布以及当前多核多背景检测结构产生的回归样本，训练级联的下一个多核多背景检测结构。/n

【技术特征摘要】
1.一种目标检测器的构建方法，其特征在于，包括：
搭建FasterR-CNN目标检测模型框架，该框架包括区域建议网络模块和多个级联的多核多背景检测结构；
采用所述区域建议网络模块，生成训练样本集；
基于所述训练样本集及其权重分布，采用损失函数，迭代训练所述多个级联的多核多背景检测结构，得到FasterR-CNN目标检测模型；
其中，每次迭代训练时，训练完每一个多核多背景检测结构后，更新所述权重分布且其中损失函数值大的训练样本则其权重大，并基于所述更新的权重分布以及当前多核多背景检测结构产生的回归样本，训练级联的下一个多核多背景检测结构。


2.根据权利要求1所述的一种目标检测器的构建方法，其特征在于，每个所述多核多背景检测结构包括：依次连接的ROI池化层、Inception网络结构、Maxout结构多背景分类框架和回归器，其中，所述Inception网络结构作为特征提取器，所述多背景分类框架作为分类器。


3.根据权利要求1所述的一种目标检测器的构建方法，其特征在于，所述多背景分类框架采用softmax激活函数，得到c+k维置信度向量，其中，c表示目标类别个数，k表示背景类别个数。


4.根据权利要求1所述的一种目标检测器的构建方法，其特征在于，所述多核多背景检测结构的个数为三个。


5.根据权利要求1至4任一项所述的一种目标检测器的构建方法，其特征在于，所述迭代训练，具体为：
s1、将所述训练样本集输入到第一个多核多背景检测结构，并初始化训练样本集的权重分布；
s2、当前多核多背景检测结构中，特征提取器提取每个训练样本的特征向量，分类器采用softmax激活函数得到每个特征向量对应的最大类别置信度，回归器对每个特征向量回归得到新的特征向量；
s3、基于所述权重分布和每个训练样本的所述最大类...

【专利技术属性】
技术研发人员：胡静，熊涛，卢鑫鑫，蒋侃，高翔，张旭阳，康愫愫，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：湖北;42