单阶段小目标检测模型、方法、装置和相关设备制造方法及图纸

本发明专利技术实施例涉及图像识别技术，公开了一种单阶段小目标检测模型、方法、装置和相关设备。本发明专利技术中，一种实施方式提供了一种单阶段小目标检测模型，包括：多层目标检测深度学习模型；所述多层目标检测深度学习模型中，含至少六个检测特征层，其中至少一个检测特征层的输入数据由额外的特征层经反卷积后进行特征融合得到。本发明专利技术基于反卷积与特征融合的方式，能在不重新设计卷积层的前提下，有效提升对小目标的表征能力和检测能力，在检测速度和检测精度上均表现良好，对目标物检测的整体能力有明显提升，同时整体计算量增加不多，实施难度低。难度低。难度低。

【技术实现步骤摘要】
单阶段小目标检测模型、方法、装置和相关设备


[0001]本专利技术实施例涉及图像识别
，特别涉及目标物体检测模型、方 法、装置和相关设备。

技术介绍

[0002]目标检测是计算机视觉中最重要也是最具挑战性的领域之一，也是计算机视 觉和图像处理的一个热门方向，被广泛应用于人脸检测、车辆检测、自动驾驶、 安全系统、医疗领域和工业质检等，由于其可靠性和可持续工作性，对目标检测 算法的研究具有较高的现实意义。小目标由于尺寸小、分辨率低、边缘模糊、抗 干扰能力弱等问题，容易造成漏检误检，如何提高小目标物的检测准确率也成为 了改进目标检测算法的瓶颈问题。
[0003]近几年来，目标检测算法研究取得了很大的突破。目标检测算法可分为 two
‑
stage和one
‑
stage两种，其中two
‑
stage算法是基于Region Proposal算法，将 检测问题分为两部分，首先由算法产生一系列作为样本的目标候选框，然后通过 卷积神经网络进行样本分类，具有较高的准确率，但是预测速度较慢。该类算法本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种单阶段小目标检测模型，其特征在于，包括：多层目标检测深度学习模型；所述多层目标检测深度学习模型中，含至少六个检测特征层，其中至少一个检测特征层的输入数据由额外的特征层经反卷积后进行特征融合得到，有特征融合节点进行特征融合计算。2.根据权利要求1所述的单阶段小目标检测模型，其特征在于，所述多层目标检测深度学习模型为Single Shot MultiBox Detector模型，所述额外的特征层为检测特征层所对应Single Shot MultiBox Detector模型中的原有特征层。3.根据权利要求1所述的单阶段小目标检测模型，其特征在于，所述特征融合，为将多个输入的特征向量合成为复向量。4.根据权利要求1所述的单阶段小目标检测模型，其特征在于，所述检测特征层和额外的特征层均由先验框和特征图组成。5.根据权利要求4所述的单阶段小目标检测模型，其特征在于，所述先验框中，至少部分先验框的长宽比为1、2、1...

【专利技术属性】
技术研发人员：李晖，王良玮，戴震宇，李一水，周彧，
申请(专利权)人：贵州大学，
类型：发明
国别省市：