基于多分支特征映射目标检测神经网络构建方法技术

本发明专利技术披露一种基于多分支特征映射的目标检测方法。本发明专利技术中根据图像样本数据集中所检测目标的尺寸将其分为三类；分别输入网络的三个分支，每个分支具有相同的网络结构，不同的膨胀率和有效预测框尺寸范围；根据预测框范围为每个分支限定与其感受野匹配的尺度范围，每个分支生成多个预测框；为了提高预测框筛选精度，本发明专利技术提出尺度感知训练方案，有效将尺寸不符的预测框剔除，使网络达到轻量化目标；最后整合各分支的结果，在主分支中输出网络预测结果。本发明专利技术基于分支特征映射的目标检测神经网络，用于在复杂背景下所检测目标尺寸跨度大时，能够灵活调节网络分支使预测准确、尤其针对非常大或非常小的目标仍能有效检测。

【技术实现步骤摘要】
基于多分支特征映射目标检测神经网络构建方法
本专利技术属于数字图像处理以及深度学习领域，特别涉及在目标尺寸变化范围大的复杂场景下目标识别的方法，具体为一种基于多分支特征映射目标检测神经网络构建方法。
技术介绍
当下，人工智能技术在工业、科学与生活等各个领域中的应用逐渐广泛。目标检测，作为目标识别的前置步骤，对譬如机器人监控、无人自动驾驶等等应用都有着至关重要的作用。由于场景图像中往往包含不止一个目标，且背景复杂，这意味着图像包含的数据量巨大，所以需要计算机程序自动化处理从场景图像中提取目标的任务。在目标检测领域，卷积神经网络已经获得了广泛的应用。传统的基于卷积神经网络的方法大体可以分成两种：基于一阶段的方法，类似于YOLO或者SSD，这类方法直接利用卷积神经网络获得感兴趣的边框；和基于二阶段的方法，类似于FasterR-CNN或者R-FCN，这类方法先生成预测框，然后再进一步细化地提取特征生成边框。然而，这两种方法的核心问题都是如何处理尺度变化。随着AlexNet的提出，利用深度学习神经网络进行的分类任务错误率从15％下降到2％，然而当本文档来自技高网...

【技术保护点】
1.一种基于多分支特征映射目标检测神经网络构建方法，其特征在于包括以下步骤：/n步骤1：制作图像数据集COCO2017-plus,并将数据集分为训练集COCO-train,以及测试集COCO-test，所述COCO2017-plus数据集是在标准数据集COCO2017的基础上，采用随机水平翻转的数据增强方式构建；/n步骤2：构建多分支特征映射目标检测神经网络，该网络包含基于权重共享的多分支网络结构，结合各层次特征的区域集合特征单元以及提升网络运算性能的尺度感知训练模块，网络搭建步骤如下：/n步骤2.1：多分支特征映射网络架构由多个分支网络组成，一般将其定义为三个分支，实际操作中可根据具体目标尺...

【技术特征摘要】
1.一种基于多分支特征映射目标检测神经网络构建方法，其特征在于包括以下步骤：
步骤1：制作图像数据集COCO2017-plus,并将数据集分为训练集COCO-train,以及测试集COCO-test，所述COCO2017-plus数据集是在标准数据集COCO2017的基础上，采用随机水平翻转的数据增强方式构建；
步骤2：构建多分支特征映射目标检测神经网络，该网络包含基于权重共享的多分支网络结构，结合各层次特征的区域集合特征单元以及提升网络运算性能的尺度感知训练模块，网络搭建步骤如下：
步骤2.1：多分支特征映射网络架构由多个分支网络组成，一般将其定义为三个分支，实际操作中可根据具体目标尺度的变化范围来定义分支数量；
步骤2.2：三个分支具有相同的基于ResNet-50的基础骨干网络结构，各分支网络并行操作，但具有不同的膨胀率，三个分支的膨胀率d1,d2,d3分别为1，2，3，进入每个分支前需要有一个1×1的卷积操作；
步骤2.3：各分支网络包含多个平行的区域集合特征单元，同一分支的膨胀率相同，每个单元由三部分组成：BN层，ReLu层和一个3×3的卷积层；
步骤2.4：各分支的尾部分别加入尺度感知训练方案；
步骤...

【专利技术属性】
技术研发人员：刘晋，李怡瑶，
申请(专利权)人：上海海事大学，
类型：发明
国别省市：上海;31