基于深度学习网络的对象检测方法、装置和电子设备制造方法及图纸

本申请实施例提供一种基于深度学习网络的对象检测方法、装置和电子设备，该基于深度学习网络的对象检测装置包括：特征提取部，其具有多个特征提取单元，分别从输入图像中提取不同尺寸的特征；多尺寸特征生成部，其具有多个级联的特征生成单元，所述多个特征生成单元根据所述特征提取部所提取的不同尺寸的特征，使用变形卷积(Deformable Convolution)处理，分别生成与各尺寸对应的特征图(feature maps)；对象位置检测部，其使用候选区域生成网络(RPN，Regional Proposal Network)分别从多尺寸特征生成部生成的不同尺寸的特征图(feature maps)中检测出相应尺寸的对象的边框信息。

【技术实现步骤摘要】
基于深度学习网络的对象检测方法、装置和电子设备
本申请涉及电子信息

技术介绍
近年来，由于与图像分析的密切关系，基于图像的对象检测技术受到了人们的广泛关注。随着深度学习的快速发展，特别是卷积神经网络(ConvolutionalNeuralNetwork，CNN)的发展，对象检测技术的性能有了很大的提高。目前，先进的对象检测技术已经达到了很高的检测精度和召回率(RecallRate)。尽管对象检测技术取得了巨大的进展，但这一领域仍存在许多挑战。一个挑战是，很难识别尺寸差别较大的对象，为此，研究人员开发了FasterR-CNN分类器。另一个挑战是对象形状的几何变换对识别结果的影响，其中，如何适应图像中对象的尺寸、姿态、观察角度和变形等几何变换是视觉识别中的一个关键问题。通常，有两种方法可以缓解对象形状的几何变换对识别结果的影响：第一种方法是维护一个涵盖所有变化的数据集；第二种方法是使用相对于几何变换恒定不变的手工特征和特定的算法。应该注意，上面对技术背景的介绍只是为了方便对本申请的技术方案进行清楚、完整的说明，并方本文档来自技高网...

【技术保护点】
1.一种基于深度学习网络的对象检测装置，其特征在于，所述装置包括：/n特征提取部，其具有多个特征提取单元，分别从输入图像中提取不同尺寸的特征；/n多尺寸特征生成部，其具有多个级联的特征生成单元，所述多个特征生成单元根据所述特征提取部所提取的不同尺寸的特征，使用变形卷积处理，分别生成与各尺寸对应的特征图；以及/n对象位置检测部，其使用候选区域生成网络分别从多尺寸特征生成部生成的不同尺寸的特征图中检测出相应尺寸的对象的边框信息。/n

【技术特征摘要】
1.一种基于深度学习网络的对象检测装置，其特征在于，所述装置包括：
特征提取部，其具有多个特征提取单元，分别从输入图像中提取不同尺寸的特征；
多尺寸特征生成部，其具有多个级联的特征生成单元，所述多个特征生成单元根据所述特征提取部所提取的不同尺寸的特征，使用变形卷积处理，分别生成与各尺寸对应的特征图；以及
对象位置检测部，其使用候选区域生成网络分别从多尺寸特征生成部生成的不同尺寸的特征图中检测出相应尺寸的对象的边框信息。


2.如权利要求1所述的装置，其中，所述装置还包括：
池化处理部，其根据各候选区域生成网络检测出的对象的边框所对应的特征图部分进行变形池化处理处理，使检测出的各边框中的对象成为相同的尺寸。


3.如权利要求1所述的装置，其中，所述特征生成单元包括：
插值单元，其对前一特征生成单元输出的特征图进行插值处理(interpolation)，得到放大后的特征图；
融合单元，其将当前的特征生成单元对应的特征提取单元所提取的该尺寸的特征进行卷积处理，并与上述放大后的特征图进行融合；以及
变形卷积处理单元，其对融合后得到的矩阵进行变形卷积处理，形成当前的特征生成单元所输出的特征图。


4.如权利要求3所述的装置，其中，
所述多尺寸特征生成部还对所述特征提取单元所提取的最小尺寸的特征进行变形卷积处理，形成与最小尺寸的特征对应的特征生成单元所输出的特征图。


5.如权利要求4所述的装置，其中，
所述多尺寸特征生成部还对所述与最小尺寸的特征...

【专利技术属性】
技术研发人员：陶轩，谭志明，
申请(专利权)人：富士通株式会社，
类型：发明
国别省市：日本;JP