【技术实现步骤摘要】
本专利技术属于计算机视觉中的图像处理和模式识别领域，涉及一种基于多分支特征融合和重参数化的高速目标检测方法。
技术介绍
1、近年来随着深度学习的快速发展，基于深度学习的检测算法在现实生活中应用的越来越广泛。在自动驾驶中，对路上的行人、快速移动的其他车辆、交通信号的识别等，都需要高速目标检测算法快速响应，以便给后续操作预留反应时间。在体育竞技中，高速形变目标检测能够帮助裁判更准确地定位到运动员、球类等运动物体，以此更加公平地判罚。但由于各种高速形变目标本身与静止时有很大的区别，存在形变、拖影的问题。并且从实际应用的角度出发，还需要保证模型较快的检测速度。
2、在卷积神经网络的框架中，底层特征富含细节信息，包括边缘、位置以及纹理等信息。这些特征对于捕获静止或正常速度下的目标有着显著的优势。然而，在高速运动条件下，由于环境光照变化、设备限制等因素，目标可能出现诸如形变、拖影等现象，此时底层特征就极易受到这些噪声的影响。例如，形变可能造成纹理和边缘信息的大幅改变，这导致原本针对正常速度下目标设计的绝大多数检测模型无法有效地应对高速运...
【技术保护点】
1.基于多分支特征融合和重参数化的高速目标检测方法，其特征在于该方法包括以下在步骤：
2.根据权利要求1所述的基于多分支特征融合和重参数化的高速目标检测方法，其特征在于：步骤1中的高速形变目标数据集获取方式如下：
3.根据权利要求1所述的基于多分支特征融合和重参数化的高速目标检测方法，其特征在于：步骤2中使用聚合和打乱对由四个分支提取到的特征进行融合。
4.根据权利要求1所述的基于多分支特征融合和重参数化的高速目标检测方法，其特征在于：所述的IMA子模块对输入特征图通过将宽和高展平合并的方式，构建成Self-Attention的输入...
【技术特征摘要】
1.基于多分支特征融合和重参数化的高速目标检测方法，其特征在于该方法包括以下在步骤：
2.根据权利要求1所述的基于多分支特征融合和重参数化的高速目标检测方法，其特征在于：步骤1中的高速形变目标数据集获取方式如下：
3.根据权利要求1所述的基于多分支特征融合和重参数化的高速目标检测方法，其特征在于：步骤2中使用聚合和打乱对由四个分支提取到的特征进行融合。
4.根据权利要求1所述的基于多分支特征融合和重参数化的高速目标检测方法，其特征在于：所述的ima子模块对输入特征图通过将宽和高展平合并的方式，构建成self-attention的输入，再加上位置编码后，经过三个权重共享的线性层分别得到q、k、v三个矩阵。
5.根据权利要求4所述的基于多分支特征融合和重参数化的高速目标检测方法，其特征在于：对k、v矩阵进行改进，采用池化核为3、步长为2的平均池化pooling，将k、v的宽高两个维度缩小为原来的1/3。
6.根据权利要求1至5中任一项所述的基...
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。