【技术实现步骤摘要】
本专利技术涉及ssd图像检测，具体涉及一种ssd图像的检测算法。
技术介绍
1、在ssd图像检测中，为了解决目标检测中面临的大尺度范围变化的问题，存在多种可选方法，一种方法是生成多尺度图像金字塔，并将其输入到卷积神经网络中，以生成不同尺度的特征图，从而构建特征金字塔，例如，overfeat算法采用了这种方法，可以获得较高的检测精度，但其计算时间较长；另一种方法是在单一尺度的特征图上预定义多尺度和长宽比的锚框，如fasterr-cnn和r-fcn等算法，用于检测大尺度范围内的目标；
2、专利公开号为cn112270347a的专利中公开了了一种基于改进ssd的医疗废弃物分类检测方法，包括：采集图像样本，对图像样本进行预处理；对预处理后的每张图像样本进行标注，建立图像数据集，并将图像数据集分为训练集、验证集、测试集；将ssd模型中的vgg-16网络替换为mobilenetv3-large网络，去除平均池化层，并使用多尺度特征提取网络代替末端的1×1卷积层，将每个多特征倒残差层与其前、后一层或者多层倒残差层输出特征输入特征融合模块；将四个3×3卷积层的输出特征分别输入卷积注意力模块；建立目标损失函数，设置训练参数，将训练集输入改进ssd模型进行训练，得到改进ssd模型；利用验证集、测试集对改进ssd模型进行验证、测试，得到图像样本的分类检测结果；
3、然而，在vgg-16模型中，conv4-3层通常被用于提取较低层次的特征，这些特征在某些任务中可能包含有关小目标的信息，会造成信息丢失和损耗的情况出现，基于此，提出
技术实现思路
1、本专利技术的目的在于提供一种ssd图像的检测算法，解决了在vgg-16模型中，conv4-3层通常被用于提取较低层次的特征，这些特征在某些任务中可能包含有关小目标的信息，会造成信息丢失和损耗的情况出现的技术问题。
2、本专利技术的目的可以通过以下技术方案实现：
3、一种ssd图像的检测算法，包括：
4、步骤一：通过特征提取模块对输入的图像中的不同层次的特征进提取，使不同层次的特征形成不同层次的特征金字塔；
5、步骤二：通过特征融合模块将不同层次的特征通过轻量级的融合方法进行融合操作，使得不同层次的特征融合在一起，生成一个新的特征金字塔；
6、步骤三：通过设置的resnet检测头，对目标图像进行检测，同时将检测完成后图像输入至新特征金字塔中对标图像中的特征进行捕获。
7、作为本专利技术进一步的方案：特征提取模块会通过卷积神经网络提取输入图像的低层、中层和高层特征，低层特征涉及一些边缘和纹理信息，而高层特征包含具有更高语义信息的对象。
8、作为本专利技术进一步的方案：特征融合模块包括conv1×1、lni-conv4-3、fc7和conv7-2结构。
9、作为本专利技术进一步的方案：resnet检测头包括conv1、conv2和conv3结构，resnet检测头搭载resnet作为ssd的骨干网络，当使用resnet作为ssd的骨干网络时，会使用resnet-50或resnet-101较深层次的模型。
10、作为本专利技术进一步的方案：resnet是一种深度卷积神经网络架构，其在深层网络训练中引入了残差连接，残差连接是一种深度卷积神经网络架构。
11、作为本专利技术进一步的方案：使用resnet作为检测头时，设计了一种轻量级的特征融合结构ldfm。
12、作为本专利技术进一步的方案：轻量级的特征融合结构ldfm通过将高低层次上features map上的特征进行联合的方式达到特征融合的目的。
13、本专利技术的有益效果：
14、本专利技术，通过特征提取模块对输入的图像中不同层次的特征进行提取，将不同层次的特征形成不同层次的特征金字塔，通过特征融合模块将不同层次的特征通过轻量级的融合方法进行融合操作，使得不同层次的特征融合在一起，这种融合能够在减少计算复杂度的同时保留多尺度的信息，新特征金字塔保留了多尺度的信息，有助于检测小目标和大目标，避免信息丢失和损耗的情况出现，提升检测性能，通过融合后的特征图生成新的特征金字塔，新的特征金字塔能够更好地捕获目标在不同尺度下的特征，同时将原始特征金字塔上不同层的特征图融合，由繁琐的多层融合变为高效的一步操作，通过简化特征融合流程，保持高效性的同时提升了检测性能，提升了ssd模型的检测效果。
本文档来自技高网...【技术保护点】
1.一种SSD图像的检测算法，其特征在于，包括：
2.根据权利要求1所述的一种SSD图像的检测算法，其特征在于，特征提取模块会通过卷积神经网络提取输入图像的低层、中层和高层特征，低层特征涉及一些边缘和纹理信息，高层特征包含具有更高语义信息的对象。
3.根据权利要求2所述的一种SSD图像的检测算法，其特征在于，特征融合模块包括Conv1×1、lni-Conv4-3、FC7和Conv7-2结构。
4.根据权利要求3所述的一种SSD图像的检测算法，其特征在于，ResNet检测头包括Conv1、Conv2和Conv3结构，ResNet检测头搭载ResNet作为SSD的骨干网络，当使用ResNet作为SSD的骨干网络时，会使用ResNet-50或ResNet-101模型。
5.根据权利要求4所述的一种SSD图像的检测算法，其特征在于，ResNet是一种深度卷积神经网络架构，其在深层网络训练中引入了残差连接，残差连接是一种深度卷积神经网络架构。
6.根据权利要求4所述的一种SSD图像的检测算法，其特征在于，使用ResNet作为检测头
7.根据权利要求6所述的一种SSD图像的检测算法，其特征在于，轻量级的特征融合结构LDFM通过将高低层次上features map上的特征进行联合的方式达到特征融合的目的。
...【技术特征摘要】
1.一种ssd图像的检测算法，其特征在于，包括：
2.根据权利要求1所述的一种ssd图像的检测算法，其特征在于，特征提取模块会通过卷积神经网络提取输入图像的低层、中层和高层特征，低层特征涉及一些边缘和纹理信息，高层特征包含具有更高语义信息的对象。
3.根据权利要求2所述的一种ssd图像的检测算法，其特征在于，特征融合模块包括conv1×1、lni-conv4-3、fc7和conv7-2结构。
4.根据权利要求3所述的一种ssd图像的检测算法，其特征在于，resnet检测头包括conv1、conv2和conv3结构，resnet检测头搭载resnet作为ssd的骨干网络，...
【专利技术属性】
技术研发人员：常仁凯，郑畅，程谦，沈振华，张超群，王建芳，
申请(专利权)人：中水三立数据技术股份有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。