自适应特征增强方法、装置、设备及可读存储介质制造方法及图纸

本发明专利技术提供一种自适应特征增强方法、装置、设备及可读存储介质，该方法包括：对输入图像数据进行多维特征提取得到多维特征图，对所述多维特征图进行融合增强，生成多尺度特征图；将所述多尺度特征图输入喷泉特征增强模块，在每个尺度经过降维卷积模组的计算，得到各检测单元的类别预测置信度；基于各所述检测单元的类别预测置信度确定整体损失函数，根据所述整体损失函数确定所述输入图像数据的检测结果。本发明专利技术针对现有的深度卷积神经网络目标检测器特征提取结构过度结构化的问题，能够有效地提高高维语义特征点特征凝聚力不足的问题，使次优检测单元更关注于感受野内的目标区域特征，并对其进行特征表达上的增强，提高图像目标检测精度。图像目标检测精度。图像目标检测精度。

【技术实现步骤摘要】
自适应特征增强方法、装置、设备及可读存储介质


[0001]本专利技术涉及计算机视觉
，尤其涉及一种自适应特征增强方法、装置、设备及可读存储介质。

技术介绍

[0002]现有基于深度卷积神经网络的目标检测方法在大数据和快速发展的深度学习技术的支持下取得了巨大成功，使得模型检测目标的精度大大提升，但其在实际应用中仍存在诸多问题，受限于诸多方面，如同类目标或异类目标的形态和尺度大小差异、样本分布、复杂背景等。当前的深度卷积神经网络目标检测模型存在许多不足，其中，有一项现有检测器存在的固有缺点尚未被解决，即，现有的深度卷积网络模型使用的特征提取结构过于模块结构化，使得网络不能智能的对检测单元内的目标进行有针对性的特征提取。

技术实现思路

[0003]本专利技术提供一种自适应特征增强方法、装置、设备及可读存储介质，用以解决现有目标检测方法不能对检测单元内的目标进行有针对性的特征提取，从而导致检测精度不高的技术问题。
[0004]本专利技术提供一种自适应特征增强方法，包括：
[0005]对输入图像数据进行多维特征提取得到多维特征图，对所述多维特征图进行融合增强，生成多尺度特征图；
[0006]将所述多尺度特征图输入喷泉特征增强模块，在每个尺度经过降维卷积模组的计算，得到各检测单元的类别预测置信度；
[0007]基于各所述检测单元的类别预测置信度确定整体损失函数，根据所述整体损失函数确定所述输入图像数据的检测结果。
[0008]根据本专利技术提供的一种自适应特征增强方法，所述将所述多尺度特征图输入喷泉特征增强模块，在每个尺度经过降维卷积模组的计算，得到各检测单元的类别预测置信度包括：
[0009]将所述多尺度特征图输入喷泉特征增强模块，得到分类分数；
[0010]根据喷泉地图生成算法、所述分类分数以及预设检测点锚框类型，得到喷泉地图；
[0011]基于喷泉融合模块和所述喷泉地图，对所述多尺度特征图进行特征解构和重构，得到检测层特征图，所述检测层特征图在二维平面上的值对应各检测单元的类别预测置信度。
[0012]根据本专利技术提供的一种自适应特征增强方法，所述基于喷泉融合模块和所述喷泉地图，对所述多尺度特征图进行特征解构和重构，得到检测层特征图包括：
[0013]对所述喷泉地图中的非背景检测单元进行操作，所述非背景检测单元的目标值为所述非背景检测单元预测类别的标签；
[0014]基于不同的核模版形状对检测单元的向量进行特征解构和重构，得到检测层特征
图。
[0015]根据本专利技术提供的一种自适应特征增强方法，所述基于各所述检测单元的类别预测置信度确定整体损失函数包括：
[0016]基于公式L
c
(p
t
)＝
‑
(1
‑
p
t
)
γ
log(p
t
)确定第一损失函数，L
c
为所述第一损失函数，p
t
为各所述检测单元的类别预测置信度，γ为超参数；
[0017]根据类别标识、预测真值向量及模型预测值向量确定第二损失函数；
[0018]基于所述第一损失函数和所述第二损失函数确定整体损失函数。
[0019]根据本专利技术提供的一种自适应特征增强方法，所述将所述多尺度特征图输入喷泉特征增强模块，在每个尺度经过降维卷积模组的计算，得到各检测单元的类别预测置信度还包括：
[0020]基于公式Γ＝F
sigmoid
(Y
cm
[n](x))确定各检测单元的类别预测置信度，Γ为各所述检测单元的类别预测概率，n为堆叠的卷积模组个数，Y
cm
[n]为n个卷积模组函数嵌套，sigmoid为门函数，
[0021]根据本专利技术提供的一种自适应特征增强方法，所述对所述多维特征图进行融合增强，生成多尺度特征图包括：
[0022]对所述多维特征图进行融合增强，生成多尺度特征图。
[0023]本专利技术还提供一种自适应特征增强装置，包括：
[0024]多尺度特征图生成模块，用于对输入图像数据进行多维特征提取得到多维特征图，对所述多维特征图进行融合增强，生成多尺度特征图；
[0025]类别预测置信度确定模块，用于将所述多尺度特征图输入喷泉特征增强模块，在每个尺度经过降维卷积模组的计算，得到各检测单元的类别预测置信度；
[0026]检测结果确定模块，用于基于各所述检测单元的类别预测置信度确定整体损失函数，根据所述整体损失函数确定所述输入图像数据的检测结果。
[0027]本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述自适应特征增强方法。
[0028]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述自适应特征增强方法。
[0029]本专利技术还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述自适应特征增强方法。
[0030]本专利技术提供的自适应特征增强方法、装置、设备及可读存储介质，通过特征提取模块对输入图像数据进行多维特征提取得到多维特征图，进而通过特征融合增强模块对多维特征图进行融合增强，生成多尺度特征图，多尺度特征图作为本专利技术提出的喷泉特征增强模块的输入，在每一个尺度，都会经过一个降维卷积模组的计算，输出为每个检测单元在各个类别上的置信度预测值，取最大值后即可得到分类图，最终根据整体损失函数确定输入图像数据的检测结果，针对现有的深度卷积神经网络目标检测器特征提取结构过度结构化的问题，能够有效地提高高维语义特征点特征凝聚力不足的问题，使次优检测单元更关注于感受野内的目标区域特征，并对其进行特征表达上的增强，提高图像目标检测精度。
附图说明
[0031]为了更清楚地说明本专利技术或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0032]图1是本专利技术提供的自适应特征增强方法的流程示意图之一；
[0033]图2是本专利技术提供的自适应特征增强方法的流程示意图之二；
[0034]图3是本专利技术提供的自适应特征增强装置的结构示意图；
[0035]图4是本专利技术提供的电子设备的结构示意图。
具体实施方式
[0036]为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术中的附图，对本专利技术中的技术方案进行清楚、完整地描述，显然，所描述的实施例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作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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应特征增强方法，其特征在于，包括：对输入图像数据进行多维特征提取得到多维特征图，对所述多维特征图进行融合增强，生成多尺度特征图；将所述多尺度特征图输入喷泉特征增强模块，在每个尺度经过降维卷积模组的计算，得到各检测单元的类别预测置信度；基于各所述检测单元的类别预测置信度确定整体损失函数，根据所述整体损失函数确定所述输入图像数据的检测结果。2.根据权利要求1所述的自适应特征增强方法，其特征在于，所述将所述多尺度特征图输入喷泉特征增强模块，在每个尺度经过降维卷积模组的计算，得到各检测单元的类别预测置信度包括：将所述多尺度特征图输入喷泉特征增强模块，得到分类分数；根据喷泉地图生成算法、所述分类分数以及预设检测点锚框类型，得到喷泉地图；基于喷泉融合模块和所述喷泉地图，对所述多尺度特征图进行特征解构和重构，得到检测层特征图，所述检测层特征图在二维平面上的值对应各检测单元的类别预测置信度。3.根据权利要求1所述的自适应特征增强方法，其特征在于，所述基于喷泉融合模块和所述喷泉地图，对所述多尺度特征图进行特征解构和重构，得到检测层特征图包括：对所述喷泉地图中的非背景检测单元进行操作，所述非背景检测单元的目标值为所述非背景检测单元预测类别的标签；基于不同的核模版形状对检测单元的向量进行特征解构和重构，得到检测层特征图。4.根据权利要求1所述的自适应特征增强方法，其特征在于，所述基于各所述检测单元的类别预测置信度确定整体损失函数包括：基于公式L
c
(p
t
)＝
‑
(1
‑
p
t
)
γ
log(p
t
)确定第一损失函数，L
c
为所述第一损失函数，p
t
为各所述检测单元的类别预测置信度，γ为超参数；...

【专利技术属性】
技术研发人员：孙旭，高连如，张天巍，庄丽娜，张兵，
申请(专利权)人：中国科学院空天信息创新研究院，
类型：发明
国别省市：