基于卷积神经网络的目标检测识别的方法技术

本发明专利技术属于图像处理应用技术领域，尤其涉及一种基于卷积神经网络的目标检测识别的方法。本发明专利技术通过对主干网络VGG16进行改进，将不同层的特征融合起来，使各个尺度下的特征图都含有丰富语义信息，利用正向和反向传递特征进行叠加，使各个卷积层获取不同特性的特征图，整个特征提取过程的鲁棒性得以增强，同时，在RPN网络阶段同时引入注意力机制，使融合后的重要信息得以保留，摒弃多余信息干扰，使整个算法的精度有所提升，对小目标物体的特征提取效果变好。效果变好。效果变好。

【技术实现步骤摘要】
基于卷积神经网络的目标检测识别的方法


[0001]本专利技术属于图像处理应用
，尤其涉及一种基于卷积神经网络的目标检测识别的方法。

技术介绍

[0002]卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，是深度学习的代表算法之一。卷积神经网络具有表征学习能力，能够按其阶层结构对输入信息进行平移不变分类，因此也被称为“平移不变人工神经网络”。随着深度学习理论的提出和数值计算设备的改进，卷积神经网络得到了快速发展，并被应用于计算机视觉、自然语言处理等领域。
[0003]目标检测领域从R
‑
CNN开始，通过引入卷积神经网络取得了很多突破性的进展，但是始终未能摆脱传统候选区域算法(如Selective Search)的限制。使用Selective Search算法进行候选区域的确定使得Fast R
‑
CNN算法的运算时间大大增加，使得Fast R
‑
CNN网络结构模型在实时性方面达不到要求。为了解决候选区域提取这个瓶颈，进一步共享卷积运算，任少卿等人在2016年提出了Fast本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于卷积神经网络的目标检测识别的方法，其特征在于，包括以下步骤：a、首先将待识别的图输入到改进后的主干网络VGG16中进行特征提取，得到相应的特征图；b、将得到的特征图分别输入到RPN网络和注意力机制中，其中，特征图输入到RPN网络进行感兴趣区域的选取，生成候选区域；特征图输入到注意力机制中进行加权运算，生成注意力图；c、然后将RPN网络和注意力机制中的输出结果均输入RoI池化层中，然后对特征图的候选框进行池化操作；d、将池化操作后的特征图在全连接层对特征信息的类别进行判定分类；e、最后，利用边框回归再次对候选框的位置进行精修与调整，实现目标检测识别；其中，所述改进后的主干网络VGG16的操作方法为：a1、首先，利用卷积核1
×1×
256使浅层特征通道数变为256，使深层特征通道数也变为256，之后进行反卷积运算；a2、然后，经过反卷积运算后，利用加性融合函数对浅层特征和深层特征进行特征层融合，得到融合后的...

【专利技术属性】
技术研发人员：冯炫，陈帅男，苗思宇，严宁，兰巍，
申请(专利权)人：陕西建材科技集团股份有限公司，
类型：发明
国别省市：