一种快速过滤背景图片的检测模型及其训练方法技术

本发明专利技术公开了一种快速过滤背景图片的检测模型，包括主干网络、分类头模块、特征融合模块、区域推荐网络、感兴趣区域池化，级联检测器；所述分类头模块与检测模型共享主干网络，将主干网络最后一层的特征图经过分类头模块计算得到分类置信度，再根据分类结果决定是否进入到检测模块。使用该模型能够有效地提高分类模型的计算效率，并且结构简单可行性高。简单可行性高。简单可行性高。

【技术实现步骤摘要】
一种快速过滤背景图片的检测模型及其训练方法


[0001]本专利技术属于目标检测
，具体涉及一种快速过滤背景图片的检测模型及其训练方法。

技术介绍

[0002]近年来，随着人工智能技术的不断发展，深度学习技术已经在计算机视觉领域的分类、识别、检测、分割、跟踪等任务中都取得了突破性的进展。相较于传统的机器视觉方法，深度卷积神经网络在大数据的训练下，从大量数据中学习出有用的特征，具有速度快、精度高、成本低等优势。但是，深度学习能达到这种优于传统方法的很大一部分原因是因为深度学习是建立在大量数据基础上的，学习这些数据需要大量的计算资源，如果应用于存在大量背景的目标检测应用场景中（如智能安检、工业检测、医疗领域等），深度学习模型所检测的大部分图片均是背景图像，特别是对于简单背景而言，检测模型的大部分计算都是没必要的，这样便造成了计算资源的浪费。

技术实现思路

[0003]本专利技术所要解决的技术问题是针对
技术介绍
中所涉及到的技术缺陷，提供一种快速过滤背景图片的检测模型及其训练方法，保持检测准确率的前提下极大地提高了检测效率。
...

【技术保护点】

【技术特征摘要】
1.一种快速过滤背景图片的检测模型，其特征在于，包括主干网络、分类头模块、检测模块；所述主干网络用于对输入的图像提取特征信息，主干网络的输出端连接分类头模块；所述分类头模块用于对主干网络提取的特征信息分类从而得到输入的图像中是否含有目标，如果含有目标则将主干网络的特征提取信息送入到检测模块，如果不含有目标则直接输出检测结果；设定含有目标的图片为阳性，不含有目标的为阴性；并设定分类头输出的神经元个数与检测任务的类别数相同，则会出现与类别数目相同的结果数，每个结果代表该类别可能存在目标的置信度，若存在置信度大于等于阈值的结果则图片为阳性，若不存在置信度大于等于阈值的结果则图片为阴性，所述阈值通过绘制分类pr曲线结合场景需求设置。2.根据权利要求1所述的一种快速过滤背景图片的检测模型，其特征在于，所述检测模块包括特征融合模块、区域推荐网络、感兴趣区域池化，级联检测器。3.根据权利要求2所述的一种快速过滤背景图片的检测模型，其特征在于，所述特征融合模块用于进一步融合主干网络提取的特征，经过特征融合模块后得到融合后的特征图，该特征图与区域建议网络连接。4.根据权利要求2所述的一种快速过滤背景图片的检测模型，其特征在于，所述区域推荐网络用于初步过滤候选区域得到感兴趣区域，感兴趣区域池化层将得到的感兴趣区域特征固定成相同尺寸。5.根据权利要求2所述的一种快速过滤背景图片的检测模型，其特征在于，所述级联检测器对所述感兴趣区域进一步分类与回归输出最终检测结果。6.根据权利要求1所述的一种快速过滤背景图片的检测模型，其特征在于，所述分类头模块结构如下，经过一层3
×
3卷积，再经过1
×
1卷积降维，使用自适应全局池化使不同尺寸的输入图像得到相同维度的特征，最后经过一层全连接层后输出。7.根据权利要求1或5任一所述的一种快速过滤背景图片的检测模型，其特征在于，分类头模块训练时的标签编码...

【专利技术属性】
技术研发人员：王威，
申请(专利权)人：浙江啄云智能科技有限公司，
类型：发明
国别省市：