【技术实现步骤摘要】
一种目标检测中的分类回归特征解耦方法
本专利技术涉及目标检测
，具体来说，涉及一种目标检测中的分类回归特征解耦方法。
技术介绍
目标检测主要是计算机视觉领域是一个重要的研究方向,在人脸检测、车辆检测等众多应用中都发挥着不可或缺的作用。随着深度学习技术的发展，相比于传统目标检测方法，基于深度学习的目标检测算法在算法精度上取得长足的进步。相比于图像识别，目标检测不仅需要判别图像中存在的目标的类别，还需要回归目标在图像中的位置。然而，目前主流的目标检测算法中，如FasterRCNN，仍然存在特征耦合的现象。具体表现在，分类和回归部分的网络共享参数，特征分布高度耦合。针对相关技术中的问题，目前尚未提出有效的解决方案。
技术实现思路
针对相关技术中的问题，本专利技术提出一种目标检测中的分类回归特征解耦方法，以克服现有相关技术所存在的上述技术问题。本专利技术的技术方案是这样实现的：一种目标检测中的分类回归特征解耦方法，包括以下步骤：步骤S1，预先使用回归部分的网络...
【技术保护点】
1.一种目标检测中的分类回归特征解耦方法，其特征在于，包括以下步骤：/n预先使用回归部分的网络结构对边界框进行修正，将修正后的信息再返回网络中，接着再执行分类部分的网络，进行不断的迭代，使得分类部分的打分与修正后的边界框建立联系；/n进行对分类和回归网络进行解耦，其分类任务包括基于可变形卷积加入两层的全连接层将特征拉长，网络能同时捕捉多尺度信息，进行细粒度的识别，确定高分的特征被保留下来为分类任务提供依据，其回归任务包括通过坐标卷积网络获取整体信息提升回归表现。/n
【技术特征摘要】
1.一种目标检测中的分类回归特征解耦方法，其特征在于，包括以下步骤：
预先使用回归部分的网络结构对边界框进行修正，将修正后的信息再返回网络中，接着再执行分类部分的网络，进行不断的迭代，使得分类部分的打分与修正后的边界框建立联系；
进行对分类和回归网络进行解耦，其分类任务包括基于可变形卷积加入两层的全连接层将特征拉长，网络能同时捕捉多尺度信息，进行细粒度的识别，确定高分的特征被保留下来为分类任务提供依据，其回归任务包括通过坐标卷积网络获取整体信息提升回归表现。
2.根据权利要求1所述的目标检测中的分类回归特征解耦方法，其特征在于，进一步包括以下步骤：
标定特征提取网络ResNet，进行在网络中增加了直连通道，允许原始的输入信息输入至后面层中，
标定目标检测网络结构RPN，进行候选框的提取，其包括重塑形状以便于之后通过softmax函数来获得锚的正负分类，之后再返回原来的形状和使用soomth-L1损失将候选框进行微调使其接近真实值并计算锚的回归偏移量；
将所有的输入特征图转化为相同固定大小的特征图；
将获得的特征图，进行分类和回归生成每个候选框的分类以及每个候选框的修正。
3.根据权利要求2所述的目标检测中的分类回...
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。