基于分层自动关联学习的目标检测方法技术

本发明专利技术公开了一种基于分层自动关联学习的目标检测方法，该方法包括以下步骤：在层次结构的基础上引入关联学习模块；建立基于能量驱动的概率模型；通过最大化对数似然对模型进行优化；通过关联学习模块的反向传播梯度生成对应对象的热图。本发明专利技术定义了一个针对目标主动检测的分层自动关联模型，该模型旨在以一种无监督的方式捕捉对象的分布，直接从单类搜素图像中学习，无需任何预处理操作符，大大减少了人力成本；在实践中，只需说出物体的名称，模型就可以主动从互联网上学习，对比现有的学习模型更加智能。模型更加智能。模型更加智能。

【技术实现步骤摘要】
基于分层自动关联学习的目标检测方法


[0001]本专利技术属于目标检测领域，特别是一种基于分层自动关联学习的目标检测方法。

技术介绍

[0002]物体检测的目的是识别指定的物体。经典框架RCNN通过提取不同的box来搜索感兴趣的区域，然后对它们进行分类，该框架由区域建议网络(RPN)和检测网络组成。RPN通过搜索整幅图像或特征图，生成一组带分数的矩形建议。该检测网络由目标分类和bounding box回归两部分组成，目的是生成准确的类别和位置信息。包含这两个网络的框架被总结为两阶段目标检测，许多方法都是按照这个框架设计的。Joseph Redmon等人模拟了人类一眼就能认出物体的探测过程，并提出了“You Only Look Once”(YOLO)。YOLO没有生成建议区域，而是直接使用锚框进行对象分类和框回归。这种框架概括为单阶段目标检测，如YOLO系列和单次多盒检测器(SSD)系列。最近，基于无锚的方法引起了更多的关注。DenseBox通过统一的端到端全卷积网络(FCN)直接预测边界框和对象类。CornerNet通过引入角池化来识别一对关键本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于分层自动关联学习的目标检测方法，其特征在于，包括以下步骤：第一步，在卷积神经网络的层次结构基础上引入关联学习模块，网络的输入是通过卷积神经网络骨干对图片提取的分层特征，经过若干卷积层后得到具有能量函数的输出；第二步，定义由能量驱动的概率模型，该模型待优化参数包括主干网络和分层关联学习模块的参数集；第三步，利用最大化对数似然方法优化关联学习模型；第四步，通过关联模块的反向传播梯度生成对应对象的热图，定位学习对象。2.根据权利要求1所述的基于分层自动关联学习的目标检测方法，其特征在于，第一步定义分层自动关联学习模块，具体过程为：（1）设计一个深度自适应的主干网络提取不同大小输入图片的全局和分层特征；（2）引入一个通道正则化层正则化由于可变深度主干网络导致的不同数量的通道；（3）对于输入图片，定义关联学习模块的输出：；其中为关联模块的输出，定义了主干网络的可变深度，是主干网络从1到层的参数集，简写为，是与不同深度主干网络相一致的关联模块的参数集。3.根据权利要求2所述的基于分层自动关联学习的目标检测方法，其特征在于，第二步定义由能量驱动的概率模型，具体过程为：（1）基于概率模型，定义输出图片的概率为：；其中分子是的指数能量，分母表示输入图片的骨干网络中各个分层l上特征图的指数能量总和；（2）根据输出图中所有分量的总和定义能量函数：。4.根据权利要求3所述的基于分层自动关联学习的目标检测方法，其特征在于，第三步优化关联学习模型，使用梯度下降来最大化对数似然，对...

【专利技术属性】
技术研发人员：张文华，崔振，邓文静，刘嘉，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：