【技术实现步骤摘要】
一种基于深度学习的复杂背景下典型目标检测方法及系统
[0001]本专利技术属于目标检测
,尤其涉及一种基于深度学习的复杂背景下典型目标检测方法、系统、设备及存储介质。
技术介绍
[0002]目标检测技术是计算机视觉的一个重要研究方向,被广泛应用于环境管理、区域规划、以及军事上。对飞机,船舶,存储罐,桥梁,小型车辆,大型车辆等典型目标进行高精度预测具有重要意义。
[0003]目标检测技术一般可以分为两种,传统图像处理与机器学习结合的检测算法和基于深度卷积神经网络(CNN)的算法。前者主要是手动设计特征,在检测复杂图像目标时效果欠佳。近今年来深度学习迅猛发展,基于深度学习的目标检测算法取得巨大成功。基于深度学习的目标检测算法主要可以分为两类,One
‑
stage和Two
‑
stage,两者最大的区别是Two
‑
stage会首选生成建议目标候选区域(Region Proposal),然后再把这些目标候选区域送到分类和回归网络中进行分类和回归。最典型的Two
‑
stage算法是Faster R
‑
CNN。One
‑
stage则省略了生成建议候选区域这一步骤,因此其检测速度更快,但是精度更低。典型的One
‑
stage算法有YOLO系列、RetinaNet等。
[0004]但是这些主流的目标检测算法没有考虑图像复杂背景对目标检测精度的影响,对整个图像上都给予相同的注意力,不符合人类 ...
【技术保护点】
【技术特征摘要】
1.一种基于深度学习的复杂背景下典型目标检测方法,其特征在于,所述方法包括:收集包含典型目标的图像数据并进行预处理,制作数据集;通过backbone网络、双向多尺度特征融合网络、基于注意力机制的多特征选择模块、分类子网络和回归子网络构建目标检测网络模型;基于分类任务和回归任务设计损失函数,通过所述数据集训练和测试目标检测网络模型;通过测试后的目标检测网络模型对待测图像进行典型目标检测。2.根据权利要求1所述基于深度学习的复杂背景下典型目标检测方法,其特征在于,所述典型目标包括但不限于飞机、船舶、存储罐、桥梁、小型车辆、大型车辆。3.根据权利要求1所述基于深度学习的复杂背景下典型目标检测方法,其特征在于,所述目标检测网络模型中,将backbone网络与双向多尺度融合特征网络进行融合,组成特征融合网络,用于进行多尺度融合特征图提取;多尺度融合特征图提取的具体步骤包括:利用backbone网络提取图像的特征图;对特征图进行自上而下路径的特征融合,得到同时包含低层细节信息和高层语义信息的融合特征图;对融合特征图进行自下而上路径的特征融合,以控制浅层特征传递到高层过程中的特征损失,得到多尺度融合特征图。4.根据权利要求3所述基于深度学习的复杂背景下典型目标检测方法,其特征在于,所述目标检测网络模型中,利用基于注意力的多特征选择模块对多尺度融合特征图进行分类特征选择和回归特征选择,得到分别用于分类和回归的特征图;基于注意力的多特征选择模块的输入是特征融合网络输出的多尺度融合特征图P
i
',i=3,4,5,6,7,输出是与输入维度相同的一系列特征图D
i
,i=3,4,5,6,7,其处理过程如下公式所示:A
i
=σ[φ
i
(P
i
')]D
i
=A
i
⊙
P
i
'+P
i
'φ(P
i
')为P
i
'通过四层3
×
3的卷积得到,σ为Sigmoid函数,A
i
为元素在0~1之间的矩阵,
⊙
表示矩阵对应元素相乘计算。5.根据权利要求1所述基于深度学习的复杂背景下典型目标检测方法,其特征在于,所述分类子网络的分类任务包括两个,对anchor box所属目标类别进行分类、对anchor box的角度进行分类;所述回归子网络的回归任务包括对anchor b...
【专利技术属性】
技术研发人员:韩金波,袁理,韩鲁诚,李增非,
申请(专利权)人:武汉泰沃滋信息技术有限公司,
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。