一种基于双向特征融合和更平衡L1损失的单发多框检测器优化方法技术

本发明专利技术涉及一种基于双向特征融合和更平衡L1损失的单发多框检测器优化方法，属于计算机视觉领域。A1：对训练集图像进行预处理；A2：构建传统SSD模型；A3：基于双向特征融合和更平衡L1损失函数修改传统SSD算法模型并构建BFSSD模型；A4：对BFSSD算法模型进行训练；A5：对BFSSD算法模型的性能进行测试。本发明专利技术解决了传统SSD算法在训练过程中存在的正负样本和多任务不平衡问题，对于小目标检测具有良好的鲁棒性。

An optimization method of single engine multi frame detector based on bi-directional feature fusion and more balanced L1 loss

【技术实现步骤摘要】
一种基于双向特征融合和更平衡L1损失的单发多框检测器优化方法
本专利技术属于计算机视觉领域，涉及一种基于双向特征融合和更平衡L1损失的单发多框检测器优化算法。
技术介绍
目标检测是计算机视觉的核心任务之一，广泛应用于智能监控、自动驾驶等领域。近年来，基于深卷积神经网络(DeepConvolutionalNeuralNetworkd，DCNN)的各种目标检测方法取得了显著的性能，提高了目标检测的精度和速度。基于深度卷积神经网络的目标检测方法大致可分为两类：(1)两阶段检测框架，首先产生一系列目标候选区域，然后通过深度神经网络提取目标候选区域的特征，并用这些特征进行分类，以及目标真实边界框回归。两阶段检测器主要包括：具有开创性的RCNN，在R-CNN体系结构中引入传统的空间金字塔池的SPPNet，RCNN的改进版本FastRCNN和FasterRCNN，以及一些从不同角度引入许多新方法来提高准确度和速度的框架，例如，FPN、CascadeRCNN和MaskRCNN。(2)一阶段检测框架，不生成目标候选区域而直接基于回归的目标本文档来自技高网...

【技术保护点】
1.一种基于双向特征融合和更平衡L1损失的单发多框检测器优化方法，其特征在于，该方法具体包括以下步骤：/nA1：对训练集图像进行预处理；/nA2：构建传统单发多框检测器(Single Shot Multibox Detector,SSD)模型；/nA3：基于双向特征融合和更平衡L1损失函数修改传统SSD算法模型并构建单发多框检测器优化算法(Balanced Feature Fusion SSD，BFSSD)模型；/nA4：对BFSSD算法模型进行训练：首先初始化BFSSD算法模型参数，其次设置学习率和最大迭代次数，然后采用批量随机梯度下降算法进行训练；/nA5：对BFSSD算法模型的性能进行测...

【技术特征摘要】
1.一种基于双向特征融合和更平衡L1损失的单发多框检测器优化方法，其特征在于，该方法具体包括以下步骤：
A1：对训练集图像进行预处理；
A2：构建传统单发多框检测器(SingleShotMultiboxDetector,SSD)模型；
A3：基于双向特征融合和更平衡L1损失函数修改传统SSD算法模型并构建单发多框检测器优化算法(BalancedFeatureFusionSSD，BFSSD)模型；
A4：对BFSSD算法模型进行训练：首先初始化BFSSD算法模型参数，其次设置学习率和最大迭代次数，然后采用批量随机梯度下降算法进行训练；
A5：对BFSSD算法模型的性能进行测试。


2.根据权利要求1所述的基于双向特征融合和更平衡L1损失的单发多框检测器优化方法，其特征在于，所述步骤A3具体包括：首先采用双向特征融合模块对SSD算法模型获得的特征层中前4层进行双向特征信息融合，然后再传统SSD算法模型的定位损失函数修改成更平衡L1损失函数(MoreBalancedL1Loss)。


3.根据权利要求2所述的基于双向特征融合和更平衡L1损失的单发多框检测器优化方法，其特征在于，选择从传统SSD网络中提取出来的前4层特征层Conv4_3、Conv7、Conv8_2、Conv9_2记为S1、S2、S3、S4，构建双向特征融合模块，其中S1分辨率是S2分辨率的2倍，S3分辨率是S4分辨率的2倍；具体步骤包括：
第一步：用S2上采样得到特征大小与S1相同的S2_up，S1下采样得到特征大小与S2相同的S1_down，S4上采样得到特征大小与S3相同的S4_up，S3下采样得到特征大小...

【专利技术属性】
技术研发人员：赵辉，李志伟，方禄发，
申请(专利权)人：重庆邮电大学，
类型：发明
国别省市：重庆;50