【技术实现步骤摘要】
一种基于多任务与感兴趣区域分割引导的目标检测方法
本专利技术涉及一种目标检测方法，尤其涉及一种基于多任务与感兴趣区域分割引导的目标检测方法，属于计算机视觉及目标检测
技术介绍
目标检测，是指在图像中找出所有感兴趣目标的具体位置和大小等定位信息，是计算机视觉、模式识别等领域中的基础问题之一，在汽车自动驾驶、视频监控及分析、人脸识别及其医学CT图像的结节或肿瘤检测等应用中得到广泛使用。现有的目标检测方法主要分为两类。一类是传统目标检测方法。传统目标检测一般采用滑动窗口的框架，主要包括图像空间分割、特征设计和提取、分类识别等步骤，它需要在尺度和位置等几个维度空间内进行搜索，待处理的窗口数量巨大，使得计算量过大，且手工设计的特征对多样性目标的鲁棒性不强，很难设计出高效的特征，检测精度较低。传统目标检测方法尽管实施简单，但由于图像中的目标往往在姿态、尺度、灰度空间等方面呈现多样性，检测精度往往达不到实际应用的要求。另一类是基于卷积神经网络的目标检测方法，包括：两阶段方法，其中包括第一阶段的候选...
【技术保护点】
1.一种基于多任务与感兴趣区域分割引导的目标检测方法，其特征在于，包括以下步骤：/n步骤1：建立基于同时感兴趣区域分割和目标检测的、并利用分割指导检测的卷积神经网络模型SDNet；其中，SDNet包括特征提取模块、分割模块和检测模块。/n所述特征提取模块，包括特征压缩模块和特征放大模块；其中，特征压缩模块包括N个卷积块，沿着一条融合源连接输入的特征压缩路径展开；特征放大模块包括M个反卷积块，沿着一条融合跳跃连接的特征放大路径展开；/n从特征压缩路径上的第一个卷积块开始，每一层输出的特征图和相应尺度的源图像拼接构成下一层卷积操作的输入；/n从特征放大路径上的第一个反卷积块开始...
【技术特征摘要】
1.一种基于多任务与感兴趣区域分割引导的目标检测方法，其特征在于，包括以下步骤：
步骤1：建立基于同时感兴趣区域分割和目标检测的、并利用分割指导检测的卷积神经网络模型SDNet；其中，SDNet包括特征提取模块、分割模块和检测模块。
所述特征提取模块，包括特征压缩模块和特征放大模块；其中，特征压缩模块包括N个卷积块，沿着一条融合源连接输入的特征压缩路径展开；特征放大模块包括M个反卷积块，沿着一条融合跳跃连接的特征放大路径展开；
从特征压缩路径上的第一个卷积块开始，每一层输出的特征图和相应尺度的源图像拼接构成下一层卷积操作的输入；
从特征放大路径上的第一个反卷积块开始，每一层输出的特征图和来自特征压缩路径的特征图拼接构成下一层反卷积操作的输入，使得压缩路径上具有的目标细节信息能够传输到具有高层语义信息的放大特征层路径上；
所述分割预测模块，包括前景分割模块，其由金字塔式的空洞卷积组成，使得此路径能获得更大的视野域表示前景区域，同时可降低空洞卷积的棋格问题；对分割结果，通过相乘操作把其作用到特征模块的输出上，强化感兴趣的目标特征区域，并后续引导检测模块的学习；
所述检测模块，由并行的中心点预测路径和尺度预测路径组成，其输入是融合了分割结果的特征图；
中心点预测使用多个卷积模块，尺度预测具有类似结构，通过同时预测中心点和尺度，输出目标区域信息；
步骤2：训练阶段；
该阶段采用两阶段迁移学习策略，实现步骤如下：
步骤2.1：数据增强和数据预处理；
基于数据划分、数据增强以及预处理从带标记的原始数据中产生第一阶段训练的训练集、第二阶段训练的训练集和测试集；
其中，数据增强是为了解决了小样本的学习问题；
步骤2.2：将步骤2.1获得的用于第一阶段训练的训练集输入二分类网络，采用随机梯度下降算法优化softmax损失函数，得到训练后的二分类网络；此训练后的二分类网络中，包括训练好的特征提取模块；
步骤2.3：基于步骤2.1的数据增强手段对少量检测标注数据进行增强，生成的第二阶段训练所需的训练集进行第二阶段训练，得到训练后的SDNet网络；
其中，第二阶段训练在SDNet网络中进行，且SDNet网络中的特征提取模块来自步骤2.2中训练好的特征提取模块；
步骤3：利用训练好的SDNet网络，进行目标精确检测。
2.如权利要求1所述的一种基于多任务与感兴趣区域分割引导的目...
【专利技术属性】
技术研发人员：刘峡壁，刘伟华，李慧玉，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11
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。