一种目标检测方法技术

本发明专利技术提供一种目标检测方法，包括步骤：提取图像特征生成特征图；将特征图上采样，获得放大特征图；将放大特征图连接到类别预测头、宽高预测头和中心点偏移量预测头；在类别预测头中加入类别注意力网络，挖掘类内和类间的相距较远但语义相关的目标之间的有效信息；通过对真实目标框编码产生监督信息监督各预测头的训练；由各预测头输出的结果在待检测图像中框选识别对象并标记分类结果。本发明专利技术结合对目标类别作进一步判断的类别注意力和对边框回归的尺度自适应编码，使得网络在能关联类内和类间的特征，挖掘类内和类间的相距较远但语义相关的目标之间的有效信息的同时，还能根据检测目标的尺度变换进行更精准的框选，提升检测的准度和框选精度。检测的准度和框选精度。检测的准度和框选精度。

【技术实现步骤摘要】
一种目标检测方法


[0001]本专利技术属于计算机视觉目标检测领域，具体涉及一种目标检测方法。

技术介绍

[0002]目标检测(object detection)，是机器视觉(machinevision)领域的一个常见问题，是一种基于检测目标几何特征、统计特征等特征的图像分割，它将目标分割与识别合而为一，以期获得精准的目标检测结果。目标检测，就是将目标定位与目标分类结合起来，利用图像处理技术、机器学习等多方向的知识，从图像或者视频中定位感兴趣的对象。目标分类部分负责判断输入的图像中是否包含分类对象，目标定位部分则负责表示目标物体的位置，并用外接矩形框标注定位。目标检测在目标跟踪、姿态检测等许多应用中发挥着重要作用。
[0003]一般来说，目标检测可分为传统检测方法以及学习检测方法。传统的检测方法一般分为三个步骤，首先使用不同大小的滑动窗口遍历候选区，然后使用方向梯度直方图(Histogram of Oriented Gradient，HOG)、尺度不变特征变换(Scale
‑
invariant feature tran本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种目标检测方法，其特征在于，包括以下步骤：S1、提取图像特征生成特征图；S2、将提取的特征图上采样，获得保留原本特征信息的放大特征图；S3、将放大特征图连接到类别预测头、宽高预测头和中心点偏移量预测头；S4、在类别预测头中加入类别注意力网络，类别注意力网络用于挖掘类内和类间的相距较远但语义相关的目标之间的有效信息；S5、在训练阶段，通过对真实目标框编码产生监督信息，从而监督各预测头的训练过程；S6、由训练好的类别预测头、宽高预测头和中心点偏移量预测头分别输出待检测图像的分类信息、回归框宽高信息及中心点位置信息，进而根据输出结果在待检测图像中框选识别对象并标记分类结果。2.根据权利要求1所述的目标检测方法，其特征在于，利用残差网络或深层特征融合网络提取图像的特征，生成特征图。3.根据权利要求1所述的目标检测方法，其特征在于，上采样模块由可变形卷积和转置卷积交替组成。4.根据权利要求1所述的目标检测方法，其特征在于，类别注意力网络的机制表示为：I
E
＝H
E
(I
Dk
I
Sk
)；其中，I
E
表示目标之间的有效信息，H
E
表示挖掘有效信息的操作，I
Dk
表示在k情况下的距离信息，I
Sk
表示在k情况下的语义信息，k分为类内情况和类间情况。5.根据权利要求1所述的目标检测方法，其特征在于，类别注意力网络包括一个类间关联注意力组和一个类内关联注意力组；类间关联注意力组包括若干个类别注意力块和一个类别激励块，之后将类间关联注意力组输出的类间信息通过广播逐元素加法叠加到放大特征图，构成一个类内关联注意力组，实现类别预测头的类别注意力。6.根据权利要求1所述的目标检测方法，其特征在于，类别注意力网络的类别注意力工作流程包括以下步骤：S41、将尺度为C
×
H
×
W的放大特征图F
PI
进行特征提取，再进行缩量操作获得类间信息，将类间信息通过矩阵乘法乘到放大特征图F
PI
上获得一个新的类间信息特征图；类间信息特征图表示如下：F
WI
＝H
mul
(Zip(Conv(F
PI
))，F
PI
)其中，F
WI
表示类间信息特征图，H
mul
表示矩阵逐像素乘法运算，Zip表示信息缩量操作，Conv表示卷积操作；S42、对新的类间信息特征图F
WI
进行特征提取，提取结果通过线性整流函数后再次进行特征提取以获得类内信息，将类内信息通过广播逐元素加法叠加到放大特征图F
PI
上，获得类别注意力特征图；类别注意力特征图表示如下：F
CA
＝H
add
(Conv(Lin(Conv(F
WI
)))，F
PI
)其中，F
CA<...

【专利技术属性】
技术研发人员：卢涛，陈剑卓，张彦铎，徐爱波，吴云韬，金从元，余晗，魏明，
申请(专利权)人：武汉烽火技术服务有限公司，
类型：发明
国别省市：