一种结合特征点和锚框共同预测和回归的目标检测算法制造技术

本发明专利技术属于计算机视觉领域，具体为一种结合特征点和锚框共同预测和回归的目标检测算法。本发明专利技术算法步骤包括：获取目标检测数据集，经处理得到图像/目标标签信息样本对；对训练集进行预处理，利用数据增强来扩充数据集；搭建目标检测网络，包括特征提取模块、特征融合模块、特征点检测分支和锚框检测分支；训练网络模型；把待检测图片输入检测网络即获得目标种类和位置信息。本算法利用特征点检测分支，通过关键点来获得更加精准的先验锚框，克服了手工设计锚框参数的缺点，可获得更加精准的检测结果，并且可以迁移到其他不同的检测任务中。中。

【技术实现步骤摘要】
一种结合特征点和锚框共同预测和回归的目标检测算法


[0001]本专利技术属于计算机视觉
，具体为一种结合特征点和锚框共同预测和回归的目标检测算法。

技术介绍

[0002]目标检测旨在对一张给定的输入图像，定位图像上包含的目标并对其进行分类。由于其在城市安防、遥感图像、医学诊断等领域有着广泛的应用，目前已经成为计算机视觉领域中的一个热门研究课题，随着最近几年深度学习在计算机视觉领域的快速发展，基于深度学习的目标检测算法得到了广泛的研究和应用。
[0003]目前常见的基于深度学习的目标检测算法框架可以分为：特征提取模块，特征融合模块和特征检测模块。特征提取模块利用卷积神经网络提取图像的不同层级的特征；特征融合模块对不同层级的特征进行融合，因为通常深层特征包含较为丰富的语义信息，浅层特征包含较为丰富的空间信息；特征检测模块对融合后的特征进行检测任务，以得到图像包含的目标信息。
[0004]现有的目标检测算法根据特征检测模块的不同分为两类，一类是基于特征点检测的算法，一类是基于锚框检测的算法。但是基于锚框检测的算法需要手工设计锚框本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种结合特征点和锚框共同预测和回归的目标检测算法，其特征在于，具体步骤如下：步骤1.获取并处理数据集，具体过程为：（1.1）使用目标检测数据集MSCOCO，构建对应的图像信息标签，组成图像
‑
目标标签样本对；（1.2）利用图像增强对输入图片进行预处理，以扩充数据集和增加样本的随机性；步骤2.根据算法搭建目标检测神经网络，分为特征提取模块、特征融合模块、关键点预测分支和锚框预测分支四个部分；其中：特征提取模块用于提取图像上的目标特征，由多个残差模块构成，根据网络的大小需求更改残差模块的数量；特征融合模块分两次进行融合，第一次对深层特征进行递归上采样与浅层特征融合，第二次对第一次融合后的浅层特征进行递归下采样与深层特征融合；关键点检测分支利用第一次特征融合后的特征进行关键点检测，预测输出锚框并对其进行前景背景分类；锚框检测分支利用关键点检测分支输出的锚框进行检测，以得到最终的检测结果；步骤3. 训练检测神经网络，利用步骤1得到的训练集和步骤2搭建好的网络来训练模型，通过梯度反向传播算法更新参数，直至网络收敛；步骤4.测试阶段，把待检测图像输入训练好的网络，即可输出图像包含的目标信息。2.根据权利要求1所述的目标检测算法，其特征在于，步骤（2）中：所述关键点检测分支由4个卷积层构成，前三个卷积层每个都有256个卷积核，最后一个卷积层有5个卷积核，即关键点检测分支输出通道数为5，第一个通道代表该目标为前景的概率，第2到5个通道代表目标的中心点坐标(x,y)和长宽(w,h)；所述锚框检测分支由4个卷积层构成，前三个卷积层每个都有256个卷积核，...

【专利技术属性】
技术研发人员：周益，荆明娥，范益波，曾晓洋，
申请(专利权)人：复旦大学，
类型：发明
国别省市：