一种基于密集反卷积及特定损失函数的小目标检测算法制造技术

本发明专利技术公开了一种基于密集反卷积及特定损失函数的小目标检测算法，步骤一：提取图像特征：提取多层卷积输出结果形成多特征图，并在多特征图上提取不同可视野的目标感兴趣区域，对提取的目标感兴趣区域进行特征连接；步骤二：使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数；步骤三：对原图进行语义分割，提取目标分割区域结果，通过在多特征图上提取不同可视野的目标感兴趣区域可以确定怒表区域，本发明专利技术的整个算法，精准性高，通过使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数，可以简化步骤，且能提高目标检测的稳定性。且能提高目标检测的稳定性。

【技术实现步骤摘要】
一种基于密集反卷积及特定损失函数的小目标检测算法


[0001]本专利技术涉及一种反卷积
，具体是一种基于密集反卷积及特定损失函数的小目标检测算法。

技术介绍

[0002]反卷积是指通过测量输出和已知输入重构未知输入的过程；在统计学，统计决策理论和经济学中，损失函数是指一种将一个事件映射到一个表达与其事件相关的经济成本或机会成本的实数上的一种函数。更通俗地说，在统计学中损失函数是一种衡量损失和错误程度的函数。
[0003]目前对反卷积和损失函数的检测算法不够精准，且稳定性较差，且整个模型过于复杂，难以进行实现，为此本专利技术提供一种基于密集反卷积及特定损失函数的小目标检测算法。

技术实现思路

[0004]本专利技术的目的在于提供一种基于密集反卷积及特定损失函数的小目标检测算法，以解决上述
技术介绍
中提出的问题。
[0005]为了解决上述技术问题，本专利技术提供了如下的技术方案：
[0006]本专利技术提供一种基于密集反卷积及特定损失函数的小目标检测算法，包括如下步骤：
[0007]步骤一：提取图像特征：提取多层卷积输出结果形成多特征图，并在多特征图上提取不同可视野的目标感兴趣区域，对提取的目标感兴趣区域进行特征连接；
[0008]步骤二：使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数；
[0009]步骤三：对原图进行语义分割，提取目标分割区域结果，并将目标检测结果和目标分割结果在全连接层中通过一定的比例系数进行多任务交叉辅助目标检测；
[0010]步骤四：将步骤三中的检侧数据发送至优化后的全卷积网络，得到预测矩形选择框，与验证数据集中的真实矩形选择框通过计算得到函数曲线下面积的平均值。
[0011]作为本专利技术的一种优选技术方案：所述提取图像特征是通过深度学习卷积神经网络架进行提取，所述深度学习卷积神经网络架为LeNet
‑
5卷积神经网络架构。
[0012]作为本专利技术的一种优选技术方案：使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数；设定Si(xg,yg,ωg,hg)为目标的真实矩形选择框，xg,yg为中心点；设定S(x,y,ω,h)为目标的预测矩形选择框，x,y为中心点；其中，x，y为预测矩形选择框中心点坐标，ω和h为预测矩形选择框的宽和高；xg,yg为真实矩形选择框中心点坐标，ωg和hg为真实矩形选择框的宽和高。
[0013]作为本专利技术的一种优选技术方案：权重为W的网络通过最小损失函数L(W)进行优化，L(W)是正则化函数R(W)以及其余两项代价函数之和，每对损失函数都与网络中的一个
专项检测通道相连。
[0014]本专利技术的有益效果是：通过在多特征图上提取不同可视野的目标感兴趣区域可以确定怒表区域，本专利技术的整个算法，精准性高，通过使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数，可以简化步骤，且能提高目标检测的稳定性。
具体实施方式
[0015]下面将对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0016]实施例：本专利技术提供一种基于密集反卷积及特定损失函数的小目标检测算法，包括如下步骤：
[0017]步骤一：提取图像特征：提取多层卷积输出结果形成多特征图，并在多特征图上提取不同可视野的目标感兴趣区域，对提取的目标感兴趣区域进行特征连接；
[0018]步骤二：使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数；
[0019]步骤三：对原图进行语义分割，提取目标分割区域结果，并将目标检测结果和目标分割结果在全连接层中通过一定的比例系数进行多任务交叉辅助目标检测；
[0020]步骤四：将步骤三中的检侧数据发送至优化后的全卷积网络，得到预测矩形选择框，与验证数据集中的真实矩形选择框通过计算得到函数曲线下面积的平均值。
[0021]其中，所述提取图像特征是通过深度学习卷积神经网络架进行提取，所述深度学习卷积神经网络架为LeNet
‑
5卷积神经网络架构。
[0022]其中，使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数；设定Si(xg,yg,ωg,hg)为目标的真实矩形选择框，xg,yg为中心点；设定S(x,y,ω,h)为目标的预测矩形选择框，x,y为中心点；其中，x，y为预测矩形选择框中心点坐标，ω和h为预测矩形选择框的宽和高；xg,yg为真实矩形选择框中心点坐标，ωg和hg为真实矩形选择框的宽和高。
[0023]其中，权重为W的网络通过最小损失函数L(W)进行优化，L(W)是正则化函数R(W)以及其余两项代价函数之和，每对损失函数都与网络中的一个专项检测通道相连。
[0024]通过在多特征图上提取不同可视野的目标感兴趣区域可以确定怒表区域，本专利技术的整个算法，精准性高，通过使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数，可以简化步骤，且能提高目标检测的稳定性。
[0025]在本专利技术的描述中，需要说明的是，除非另有明确的规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以通过具体情况理解上述术语在本专利技术中的具体含义。
[0026]上面对本专利的较佳实施方式作了详细说明，但是本专利并不限于上述实施方
式，在本领域的普通技术人员所具备的知识范围内，还可以在不脱离本专利宗旨的前提下作出各种变化。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于密集反卷积及特定损失函数的小目标检测算法，其特征在于，包括如下步骤：步骤一：提取图像特征：提取多层卷积输出结果形成多特征图，并在多特征图上提取不同可视野的目标感兴趣区域，对提取的目标感兴趣区域进行特征连接；步骤二：使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数；步骤三：对原图进行语义分割，提取目标分割区域结果，并将目标检测结果和目标分割结果在全连接层中通过一定的比例系数进行多任务交叉辅助目标检测；步骤四：将步骤三中的检侧数据发送至优化后的全卷积网络，得到预测矩形选择框，与验证数据集中的真实矩形选择框通过计算得到函数曲线下面积的平均值。2.根据权利要求1所述的一种基于密集反卷积及特定损失函数的小目标检测算法，其特征在于，所述提取图像特征是通过深度学习卷积神经网络架进行提取，所述深度学习卷积神经网络架为Le...

【专利技术属性】
技术研发人员：朱吕甫，朱兆亚，朱兆喆，
申请(专利权)人：安徽炬视科技有限公司，
类型：发明
国别省市：