【技术实现步骤摘要】
一种基于多尺度特征融合的全局特征对齐目标检测方法
[0001]本专利技术涉及深度学习中的迁移学习领域,针对特征迁移这一迁移学习的子类技术在目标检测任务中的应用。
技术介绍
[0002]受人类在学习知识的过程中举一反三能力的启发,迁移学习将从源域数据集中学习到“知识”迁移到目标域中,使得在源域数据集上训练好的目标检测网络在应用到与源域特征空间不同的目标域时,只需要付出较小的代价便可以提升目标检测算法的泛化性能。迁移学习迁移的“知识”是源域和目标域中共同拥有的。在目前的迁移学习算法中,特征对齐方法(域适应)的效果是最好的,其核心思想在于将域间差异减小,使得目标检测网络的特征提取器提取出的特征具有域不变性,即特征提取器能够忽略源域和目标域在背景等方面的差异而提取两域中共同的特征部分。现有的基于特征对齐的目标检测算法都采用Faster R
‑
CNN网络作为目标检测框架,且大都从全局特征对齐和局部特征对齐两个方向减少域间差异。其中全局特征对齐是对主干网络提取出的特征图进行特征对齐,大都存在两点不足,一是全局特征对齐尺度过于单一,仅对主干网络最后输出的特征图进行特征对齐,即对大尺寸目标进行特征对齐,而忽略了小尺寸目标,且未消除由两域样本中由目标大小不同造成的域间差异;二是全局特征对齐过程中,在对齐前景目标特征的同时,强制对齐背景特征,由于背景噪声的影响,限制了全局特征对齐的效率。
技术实现思路
[0003]为了克服上述全局特征对齐算法存在的不足,本专利技术提出了一种基于多尺度特征融合的全局特征对 ...
【技术保护点】
【技术特征摘要】
1.一种基于多尺度特征融合的全局特征对齐目标检测方法,其特征在于,包括以下步骤:步骤1:以Faster R
‑
CNN作为目标检测框架,并以VGG16作为主干网络,VGG16包括第一卷积层,第一下采样层,第二卷积层,第二下采样层,第二下采样层输出特征图记为F2,第三卷积层,第三下采样层,第三下采样层输出特征图记为F3,第四卷积层,第四下采样层,第四下采样层输出特征图记为F4,第五卷积层,第五卷积层输出特征图记为F5;步骤2:该步骤是专利核心内容;特征图F4的特征维数为512,F2的特征维数为128,将特征图F4通过1
×
1卷积层,将特征维道数下调至与F2一致为128,特征图F2的大小为F4的4倍,特征图F4通过上采样方法将大小扩大4倍,与F2一致,随后与F2按特征维数逐特征点相加,得到新的特征图F
2,4
,并对F
2,4
进行3
×
3卷积操作,padding=1,即不改变特征图大小,进一步融合各特征点周围信息,得到融合原F2和F4中前景目标特征信息后新的特征图G
2,4
;步骤3:该步骤是专利核心内容;先求取特征图G
2,4
中每一个维度的所有特征值的均值α
i
,i表示G
2,4
的第i维度,第i维度特征图中的每一个特征点的特征值若小于均值α
i
,则置为0,得到背景抑制后的特征图H
2,4
;步骤4:该步骤是专利核心内容;特征图F5的特征维数为512,F3的特征维数为256,将特征图F5通过卷积层,将特征维道数下调至与F3一致为256,特征图F3的大小是F5的2倍,F5通过上采样方法将大小扩大2倍,与F3一致,并与F3按特征维数逐特征点相加,得到新的特征图F
3,5
,并对F
3,5
进行3
...
【专利技术属性】
技术研发人员:贾海涛,莫超杰,刘博文,许文波,任利,周焕来,贾宇明,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:
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。