一种基于改进YOLOv7的目标检测方法技术

本发明专利技术公开了一种基于改进YOLOv7的目标检测方法，涉及图像处理领域，卷积神经网络模型由Backbone、Neck以及Head组成，Backbone主要负责对输入图像进行特征提取；Neck负责对特征图进行多尺度特征融合，并把这些特征传递给预测层；Head则进行最终的特征分类和回归预测；本发明专利技术通过在YOLOv7网络模型的Neck部分改进多尺度特征融合结构，并参考残差网络结构，增加了含有Block模块的路径，防止模型出现退化；在此基础上，考虑到不同尺度的特征在融合时贡献不同，在不同尺度特征融合时给每一个尺度添加自适应学习权重，提高了对多尺度目标特征的表征能力，通过以上方法最终提高模型对目标检测的准确率。

【技术实现步骤摘要】

本专利技术主要涉及图像处理的，具体为一种基于改进yolov7的目标检测方法。

技术介绍

1、目标检测是计算视觉领域内最主要的任务之一。近年来，随着人工智能理论的蓬勃发展，以卷积神经网络为基础的目标检测方法已经完全取代了靠人工设计特征来进行检测的传统方法。其中，基于yolo系列的单阶段目标检测算法由于其优异的性能，发展迅速。但目标检测中常常因为物体的形状和尺寸大小不一而给目标的准确识别和精准定位带来一定困难，因此如何有效的融合多尺度特征获取高效的物体特征表示方法，提高模型的检测性能就变得尤为重要。

技术实现思路

1、基于此，本专利技术的目的是提供一种基于改进yolov7的目标检测方法，以解决上述
技术介绍
中提出的技术问题。

2、为实现上述目的，本专利技术提供如下技术方案：

3、一种基于改进yolov7的目标检测方法,包括卷积神经网络模型，具有一下步骤：

4、s1、基于yolov7网络模型neck部分多尺度特征融合结构改进并融合残差网络，同时引入多尺度自适应权重的目标检测方法；<本文档来自技高网...

【技术保护点】

1.一种基于改进YOLOv7的目标检测方法,包括卷积神经网络模型，其特征在于,具有以下步骤：

2.根据权利要求1所述的一种基于改进YOLOv7的目标检测方法，其特征在于，所述卷积神经网络模型由Backbone、Neck以及Head组成，所述Backbone主要负责对输入图像进行特征提取；所述Neck负责对特征图进行多尺度特征融合，并把这些特征传递给预测层；所述Head则进行最终的特征分类和回归预测。

3.根据权利要求2所述的一种基于改进YOLOv7的目标检测方法，其特征在于，所述Neck其目标是通过函数f聚合不同尺度特征的输出式中是多尺度特征图其中，表示输入的第l...

【技术特征摘要】

1.一种基于改进yolov7的目标检测方法,包括卷积神经网络模型，其特征在于,具有以下步骤：

2.根据权利要求1所述的一种基于改进yolov7的目标检测方法，其特征在于，所述卷积神经网络模型由backbone、neck以及head组成，所述backbone主要负责对输入图像进行特征提取；所述neck负责对特征图进行多尺度特征融合，并把这些特征传递给预测...

【专利技术属性】
技术研发人员：张天飞，周荣强，
申请(专利权)人：安徽信息工程学院，
类型：发明
国别省市：