一种使用语义信息弱监督反卷积特征层融合的单阶段目标检测算法制造技术

本发明专利技术涉及一种使用语义信息弱监督带反卷积特征层融合的单阶段目标检测算法，采取从热力图中估计物体中心点的新方法来提高目标检测算法精度。本方法与传统方法相比极大减少了手工设计锚箱结构对于检测精度的影响，能使用更优的特征进行深度卷积神经网络的训练，从而取得更高的精度。本发明专利技术为今后的单阶段目标检测算法框架提供了理论基础。

【技术实现步骤摘要】
一种使用语义信息弱监督反卷积特征层融合的单阶段目标检测算法
本专利技术属于图像识别
，尤其是一种基于深度学习的目标识别算法。
技术介绍
目标识别可以应用在众多领域，比如汽车的辅助驾驶，自动驾驶，用来识别路面上的机动车与行人。近些年来目标识别算法逐渐由手动设计图像特征后接基于机器学习特征分类器的算法向基于深度学习的方法演进。基于深度学习的目标检测算法又分为单阶段目标检测算法与二阶段目标检测算法。R.Girshick等人提出了2阶段FastR-cnn目标检测算法，第一个阶段使用RPN(RegionProposalNetwork)来检测图像中可能存在物体的区域，第二阶段用此区域的深度特征来做物体的分类与位置的回归。与二阶段目标检测算法不同，W.Liu等人提出了单阶段目标检测算法。通过手动设计的锚箱(AnchorBox)来遍历整个特征图，最后通过特征分类和位置回归来检测物体。综上分析，现有的目标价测算法的性能极大取决于于锚箱的设计方式与超参数的选择，锚箱设计方式极大限制了目前目标检测算法精度进一步提高。专利本文档来自技高网...

【技术保护点】
1.一种使用语义信息弱监督带反卷积特征层融合的单阶段目标检测算法，其特征在于包括以下步骤：/n步骤1：用通用特征提取基干网络(例如VGG，ResNet，Googlenet，mobilenet，shufflenet等)提取输入图像特征。/n步骤2：提取不同尺度的特征图。/n步骤3：将不同尺度特征图通过反卷积的方式依次放大至同一尺度。/n步骤4：将反卷积后的特征图依次融合。/n步骤5：在每一个融合后的特征图上进行目标检测/n步骤6：检测头(Detection Head)输出：1.热力图用来估计物体中心位置；2.分类输出用来估计物体类别；3.输出每个物体宽和高与位置精修结果；4.弱监督语义输出。/n...

【技术特征摘要】
1.一种使用语义信息弱监督带反卷积特征层融合的单阶段目标检测算法，其特征在于包括以下步骤：
步骤1：用通用特征提取基干网络(例如VGG，ResNet，Googlenet，mobilenet，shufflenet等)提取输入图像特征。
步骤2：提取不同尺度的特征图。
步骤3：将不同尺度特征图通过反卷积的方式依次放大至同一尺度。
步骤4：将反卷积后的特征图依次融合。
步骤5：在每一个融合后的特征图上进行目标检测
步骤6：检测头(DetectionHead)输出：1.热力图用来估计物体中心位置；2.分类输出用来估计物体类别；3.输出每个物体宽和高与位置精修结果；4.弱监...

【专利技术属性】
技术研发人员：胡志强，
申请(专利权)人：天津科技大学，
类型：发明
国别省市：天津;12