一种基于无锚框网络的区域推荐网络提取方法技术

本发明专利技术公开了基于无锚框网络的区域推荐网络提取方法，利用FCOS网络来为双阶段网络做区域推荐网络，利用FCOS的分类网络来区分网络提取到的预选框为正例还是负例，并且从为正例与负例的预选框中选择出一部分作为下一阶段的训练框，正例与负例的数量应保持一致，保证正负样本的平衡。在下一个阶段的回归中对筛选出来的正例做出具体的分类，并且网络在预选框的基础上做回归，得到最终的预测框。

【技术实现步骤摘要】
一种基于无锚框网络的区域推荐网络提取方法
本专利技术属于目标监测网络领域，涉及一种基于无锚框网络的区域推荐网络提取方法。
技术介绍
近年来深度学习技术的迅速发展和机器学习技术的成熟使得计算机视觉领域的许多问题都取得了突破性的进展，并且深刻地改变着人们的生活。目标检测问题是被广泛讨论的一个问题，其应用面非常广泛，在无人驾驶，监控录像等方面发挥着重要的作用，以往的目标检测网络主要分成双阶段和单阶段的网络，单阶段的网络推理速度较快，而精度较低，双阶段的网络推理速度慢而精度较高，目前目标检测技术的准确度与速度还并未达到能够满足人们需求的地步，算法依然有很大的改进余地。目前目标检测的过程一般分为特征提取，特征处理，预选区域的产生，分类与回归以及最终对预测框地筛选，其中预选区域的产生依然存在着很大的改良空间。以往预选区域的产生有几种方式，从最初的使用无监督学习到后来训练另一个检测网络作为区域提取网络。近几年涌现了许多无锚框的目标检测网络，相比从前主流的有锚框检测网络，无锚框的检测网络的优势在于不用调整锚框的参数，二阶段网络的区域提取网络一方面需要找到含有目本文档来自技高网...

【技术保护点】
1.一种基于无锚框网络的区域推荐网络提取方法，其特征在于，包括以下步骤：/nS10，数据预处理：对目标检测网络的输入数据进行数据清理、数据集成、数据规约和数据变换；/nS20，特征提取：特征提取网络包括由卷积神经网络，对于目标检测采用ResNet神经网络，ResNet神经网络最终输出为使用金字塔特征将ResNet中卷积步长为8，16，32，64，128的特征做组合，作为目标检测网络的特征图；/nS30，选取锚框：将上述步骤得到的特征传入到无锚框的预测网络，预测网络在特征图的每一个位置产生分类得分以及回归得分，分类得分即特征点对应感受野大小映射回原图中与特征点对应位置处含有某类检测目标的概率，而...

【技术特征摘要】
1.一种基于无锚框网络的区域推荐网络提取方法，其特征在于，包括以下步骤：
S10，数据预处理：对目标检测网络的输入数据进行数据清理、数据集成、数据规约和数据变换；
S20，特征提取：特征提取网络包括由卷积神经网络，对于目标检测采用ResNet神经网络，ResNet神经网络最终输出为使用金字塔特征将ResNet中卷积步长为8，16，32，64，128的特征做组合，作为目标检测网络的特征图；
S30，选取锚框：将上述步骤得到的特征传入到无锚框的预测网络，预测网络在特征图的每一个位置产生分类得分以及回归得分，分类得分即特征点对应感受野大小映射回原图中与特征点对应位置处含有某类检测目标的概率，而回归得分则用于产生预测框；
S40，上一步骤中预测网络为一个不用锚框即可进行预测的网络，而本步骤的网络进行预测框的预测时依靠锚框作为其回归起点，通过锚框得到预选框，在S30中得到锚框之后输入到下一个预测网络，在这个网络中利用特征图对每一个位置得到分类得分以及回归得分；
S50，对图片进行前向传递之后，对其进行反向传播让网络学习到有效参数，网络的损失函数定义为无锚框的预测网络与有锚框的预测网络的分类损失与回归损失之和，分类损失函数记为Focalloss，无锚框的...

【专利技术属性】
技术研发人员：杭丽君，熊攀，丁明旭，何远彬，沈磊，曾平良，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江;33