【技术实现步骤摘要】
基于尺度不变性与特征融合的目标检测算法
本专利技术涉及目标检测
，具体涉及一种基于尺度不变性与特征融合的目标检测算法。
技术介绍
随着深度学习技术的不断发展，目标检测方法越来越多。图像中存在大量的目标，对每一个目标进行分类与检测是比较困难的，特别是一些小目标，因此小目标的检测是目前目标检测领域中的重点区域。目标检测是一个复杂且重要的任务，对军事，医疗，生活等方面都有着巨大的作用。已有的目标检测技术主要分为两种类型：一是基于手工标注特征的传统方法，例如Hear特征和Adaboost算法、SVM算法和DPM算法；二是基于深度学习技术的方法。在深度学习下，目标检测主要分为了以下两个任务：一个是边框的预测，标出每个物体的上下左右的位置。另一个是类别的预测，预测出每个像素属于哪个物体。而又因为步骤不同，目标检测又分为了二阶段检测和单阶段目标检测。二阶段目标检测的代表论文主要有RCNN系列，即先产生物体候选区域(RegionProposals)，然后在对其进行修正。单阶段的目标检测的代表论文主要是YOLO、SSD系列，即通...
【技术保护点】
1.一种基于尺度不变性与特征融合的目标检测算法，其特征在于，采用的步骤为：/n步骤一：将待检测图像输入到detnet59中进行特征提取，获得多个特征图；/n步骤二：对获得的多个特征图进行选择融合特征的方式，获得新的具有相同通道的多个特征图；/n步骤三：使用多个特征图生成候选框，对候选框进行多次选择分类与回归。/n
【技术特征摘要】
1.一种基于尺度不变性与特征融合的目标检测算法，其特征在于，采用的步骤为：
步骤一：将待检测图像输入到detnet59中进行特征提取，获得多个特征图；
步骤二：对获得的多个特征图进行选择融合特征的方式，获得新的具有相同通道的多个特征图；
步骤三：使用多个特征图生成候选框，对候选框进行多次选择分类与回归。
2.根据权利要求1所述基于尺度不变性与特征融合的目标检测算法，其特征在于：所述detnet59为改进的detnet59，所述改进的detnet59与detnet59拥有相同的第一步到第五步，分别生成1-5个特征图，从第五步开始，使用第5个特征图，分成了三个分支，生成第6-8个特征图，第6个特征图的分辨率与第5个特征图保持一样，使用膨胀卷积保持感受野不同，第7，8个特征图使用下采样降低分辨率增加语义信息，再使用膨胀卷积增加第7，8个特征图的感受野。
3.根据权利要求1所述基于尺度不变性与特征融合的目标检测算法，其特征在于：所述步骤二中选择融合特征的方式具体为；
步骤2.1：将第2-8的特征图通过卷积操作变为通道256的特征图，其中第6-8的特征图就生成为P6-P8；
步骤2.2：在将7和8的特征图经过上采样后和6的特征图一起融合到特征图5中，在融合之后再对每个融合结果进行卷积生成P5；
步骤2.3：再将P5进行上采样融合到特征图4中，在融合之后再对每个融合结果进行卷积生成P4；
步骤2.4：一直重复2.3步骤直到融合完特征图2，生成P2、P3。
4.根据权利要求1所述基于尺度不变性与特征融合的目标检测算法，其特征在于：所述步骤三具体为，
步骤3.1：对于P2、P3、P4、P5、P6、P7和P8层，生成大量的anchor；
步骤3.2：对于P6、P7、P8这三层，对其产生的anchor和groundtruth根据l_i≤√wh〖≤u〗_i函数进行了筛选，l...
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。