一种基于深度学习的适用于多尺度目标检测的单阶段检测器设计方法技术

本发明专利技术公开了一种基于深度学习的适用于多尺度目标检测的单阶段检测器设计方法，本发明专利技术一方面从语义信息、细节信息和感受野三个角度来构建各级特征信息均衡且充足的特征金字塔；另一方面，为了提升检测器对极端尺度目标的召回率，本发明专利技术摒弃手工设置Anchor尺寸和长宽比参数，利用网络自己学习出Anchor所需的尺寸和分布。本发明专利技术从特征金字塔和Anchor设置的角度重新设计单阶段检测器，从而提升单阶段检测器在多尺度目标上的检测精度同时兼顾检测速度。

【技术实现步骤摘要】
一种基于深度学习的适用于多尺度目标检测的单阶段检测器设计方法
本专利技术公开了一种适用于多尺度目标检测的单阶段检测器设计方法，其可以有效用于车辆等尺度范围变化大的检测场景。
技术介绍
目标检测，作为计算机视觉领域最重要的基础任务之一，常常被应用于目标跟踪、重识别和实例分割等多个下游任务。近年来，随着深度学习的爆发，基于卷积神经网络的目标检测算法凭借着速度快、精度高、鲁棒性强等优点迅速占领了学术界各大检测榜单之首。但由于卷积的结构特性，注定了卷积神经网络不具备尺度不变形，因此跨越物体实例间的尺度变化成为目标检测算法的难点之一。另一方面，基于卷积神经网络的目标检测算法从有无区域建议生成的角度可以分为单阶段检测器和多阶段检测器，丢弃区域建议生成的单阶段检测器直接对Anchor进行分类和回归，实现了实时的推理速度，在现实场景中具有广泛的应用。但缺点是其检测精度有限，尤其在多尺度目标分布密集的场景。因此在保证高效推理速度的同时提升单阶段检测器的精度，一直是目标检测领域的研究热点之一。目前提升多尺度目标检测效果方法主要从以下三个方面入手，分别是多尺度训练、特征金字塔修建和特征感受野。多尺度训练，即在迭代一定次数后随机改变训练图像输入分辨率，迫使网络学习各种尺度下目标的特征。SNIP在每个固定尺度下训练时，只回传对应尺度目标的梯度而忽略过大过小的目标，测试时则在所有尺度上均进行检测，但只保留对应尺度的检测结果。多尺度训练需要较大显存和较长的训练时间，多尺度测试严重降低推理速度。构建特征金字塔是目前应用最广泛的方法。SSD利用骨干网络中不同分辨率的特征构建特征金字塔来对应检测不同尺度的目标，FPN和TDM额外修建一条自上而下之路来补充骨干网络中语义信息不平衡的特征金字塔，从而提升多尺度目标检测效果。自上而下支路虽然补充了浅层特征的语义信息却忽略了顶层特征缺乏的细节信息。STDN和PFPNet等工作跳出了常规思路，以构建信息平衡的特征金字塔为目的，利用SPP或DenseNet等结构来获得多尺度特征金字塔。特征金字塔方法在提升多尺度目标检测上取得了显著的效果，但需注意的是复杂的特征金字塔会引入过多的参数量和计算量，从而降低模型推理速度。特征感受野，顾名思义，即是通过扩大浅层特征的感受野来提升小目标的检测效果。受人类视觉系统中的感受野结构的启发，RFBNet将空洞卷积添加到Inception结构中，设计了新颖的RFB模块并将其嵌入到SSD算法中，然而RFBNet只关注浅层特征，忽略了对高层特征的信息补充，限制了检测器的多尺度性能。高速公路自20世纪90年代起在我国得到了突飞猛进的发展，以其本身固有的特点和优势，在现代交通运输中占有极为重要的地位和作用。随着高速公路上行驶的车辆越来越多，各种问题接踵而来，首当其冲的就是交通拥堵问题。由于高速公路上诸如交通事故、道路养护等异常事件的出现，使得原本就相当有限的高速公路资源难以充分利用，进而导致了严重的交通拥堵、车辆排队问题。不同于城市道路，高速公路的车辆一般行车速度都比较快，因此一旦发生交通拥堵往往将造成严重的后果，且拥堵的影响时间一般都较长，可能导致严重经济损失问题。当前对于排队长度预测的方法大都以排队论或交通波模型作为基础进行改进，其中专利CN106887141A基于排队论，通过设置连续流量采集节点，根据每个节点之间队列长度，在假定车辆到达率服从一定分布的基础上得到路段的排队长度，该方法虽然在精度上具有一定的优势，但是对于设备布设稀疏的高速公路而言却难以具体实施，适用性较差。专利CN106571030A基于浮动车采集的多源数据针对道路交叉口这一具体场景提出了基于交通波模型的排队长度预测方法，该方法虽然对于检测设备的布设要求较低，但是却要求道路上需要存在一定比例的浮动车，这对于高速公路而言显然在大多数情况下是难以满足的。同时，目前对于排队长度进行预测的方法大都针对的是如交叉口等较为简单、封闭的道路环境，但是高速公路上存在包含匝道收费站等非封闭的道路场景，缺少相关的研究。因此借助高速公路上能够获取的多源数据，有效地分析把握异常事件的影响范围及排队长度变化过程，将有助于指导交通管理者制定合理的交通管控策略，进而提高高速公路的管控和服务水平是当前智能交通系统发展的急需，也是研究的重点和难点问题。
技术实现思路
有鉴于此，本专利技术的目的是提供一种基于深度学习的适用于多尺度目标检测的单阶段检测器设计方法。根据上述分析，针对现有技术存在的不足，本专利技术从特征金字塔和Anchor设置的角度重新设计单阶段检测器，从而提升单阶段检测器在多尺度目标上的检测精度同时兼顾检测速度。具体来说，本专利技术从语义信息、细节信息和感受野三个角度来构建各级特征信息均衡且充足的特征金字塔。另一方面，为了提升检测器对极端尺度目标的召回率，本专利技术摒弃手工设置Anchor尺寸和长宽比参数，利用网络自己学习出Anchor所需的尺寸和分布。本专利技术提供的设计方法，包括以下步骤。本专利技术的目的是通过以下技术方案来实现的：一种基于深度学习的适用于多尺度目标检测的单阶段检测器设计方法，包括以下步骤：步骤一：对图像进行数据增强；步骤二：获取高语义、高细节且大感受野的特征f，包括以下四个部分：1)将输入图片通过骨干网络获得32倍下采样的语义信息充足的特征图fc；2)与骨干网络并行，将输入图片进行16倍池化下采样，通过若干个卷积模块的浅层网络，获得编码丰富细节信息的特征图fd；3)对fc和fd进行融合：将fc上采样得到同时使用1×1卷积，确保fd和特征维度完全一致，对进行Sigmoid操作后和fd相乘得到fcd；4)将fcd输入到多分支空洞卷积模块ASPP中，获得特征图f；步骤三：基于步骤二得到的特征图f，将特征金字塔中的特征按分辨率高于特征图f和低于特征图f分为两类，对这两类特征采取不同的处理方法来构建适用于多尺度目标检测的特征金字塔；步骤四：Anchor的自动生成，即GuideAnchor，包括以下三个部分：1)在分类分支特征图fcls上接一个单通道的1×1卷积，并通过Sigmoid操作来获得某个位置是否放置Anchor的概率；2)在回归分支特征图freg上接一个双通道的1×1卷积，用来计算某个位置放置的Anchor宽高两个参数；3)利用回归分支生成的Anchor宽高的特征图计算卷积采样点偏差，分别对fcls和freg进行可变形卷积，得到用以对Anchor分类和回归的特征。步骤五：损失函数的设计整个网络的损失函数的表达式为Loss＝Lcls+Lreg+λ(Lloc+Lshape)式中，Lloc表示Anchor位置损失，Lshape表示Anchor形状分支的损失，Lcls表示Anchor的预测部分的分类损失，Lreg表示Anchor的预测部分的回归损失，λ为加权系数。进一步，所述步骤一的具体过程如下：1)从训练图像中随机裁剪一块区域，但需确保裁剪区域存在目标；2)对裁剪出的区域用本文档来自技高网...

【技术保护点】
1.一种基于深度学习的适用于多尺度目标检测的单阶段检测器设计方法，其特征在于，包括以下步骤：/n步骤一：对图像进行数据增强；/n步骤二：获取高语义、高细节且大感受野的特征f，包括以下四个部分：/n1)将输入图片通过骨干网络获得32倍下采样的语义信息充足的特征图f

【技术特征摘要】
1.一种基于深度学习的适用于多尺度目标检测的单阶段检测器设计方法，其特征在于，包括以下步骤：
步骤一：对图像进行数据增强；
步骤二：获取高语义、高细节且大感受野的特征f，包括以下四个部分：
1)将输入图片通过骨干网络获得32倍下采样的语义信息充足的特征图fc；
2)与骨干网络并行，将输入图片进行16倍池化下采样，通过若干个卷积模块的浅层网络，获得编码丰富细节信息的特征图fd；
3)对fc和fd进行融合：将fc上采样得到同时使用1×1卷积，确保fd和特征维度完全一致，对进行Sigmoid操作后和fd相乘得到fcd；
4)将fcd输入到多分支空洞卷积模块ASPP中，获得特征图f；
步骤三：基于步骤二得到的特征图f，将特征金字塔中的特征按分辨率高于特征图f和低于特征图f分为两类，对这两类特征采取不同的处理方法来构建适用于多尺度目标检测的特征金字塔；
步骤四：Anchor的自动生成，即GuideAnchor，包括以下三个部分：
1)在分类分支特征图fcls上接一个单通道的1×1卷积，并通过Sigmoid操作来获得某个位置是否放置Anchor的概率；
2)在回归分支特征图freg上接一个双通道的1×1卷积，用来计算某个位置放置的Anchor宽高两个参数；
3)利用回归分支生成的Anchor宽高的特征图计算卷积采样点偏差，分别对fcls和freg进行可变形卷积，得到用以对Anchor分类和回归的特征；
步骤五：损失函数的设计
整个网络的损失函数的表达式为
Loss＝Lcls+Lreg+λ(Lloc+L...

【专利技术属性】
技术研发人员：赵敏，孙棣华，陈宇浩，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50