【技术实现步骤摘要】
本专利技术涉及图像处理，特别是涉及一种基于多层级分类分支的目标检测方法及系统。
技术介绍
1、现下基于深度学习的图像分类及识别网络或者框架，往往在不同的数据集上取得的性能差异比较大。当然，这与数据集本身样本的丰富度、涵盖场景复杂程度、数据标注质量等等因素脱不了干系。但除此之外，其中最主要的还是与数据集包含的类别数量有很大关系。换句话说，在图像目标检测任务中，对目标类别的识别是至关重要的一部分。随着网络需要同时区分和识别的类别数量越大，网络最终的目标检测性能就会呈明显的下降趋势。最直观的证据就是，以目标分割任务为例，经典的二阶段目标检测网络faster r-cnn在20类的pascal voc 2007数据集上ap能超70％，而在80类的coco数据集上ap仅不到40％，而对于365类的objectes365数据集，其ap还不足20％。
2、人在认知世界时，对物体的分类是以分层的方式进行，而不是将所有类排列在并列的“扁平”结构中。而目前的深度学习分类器则是“扁平”结构，对所有类别无差别区分，几十类还好，几百甚至上前类时则很难通...
【技术保护点】
1.一种基于多层级分类分支的目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述根据融合特征向量生成与所述目标检测框对应的多个层级的分类结果，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述融合特征向量进行粗分类操作，包括：
4.根据权利要求2所述的方法，其特征在于，所述将所述多个层级的分类结果进行融合计算得到最终分类结果，包括：
5.根据权利要求4所述的方法，其特征在于，所述利用所述第一预测结果P对所述第二预测结果P进行修正获得所述最终分类结果包括：
6.根...
【技术特征摘要】
1.一种基于多层级分类分支的目标检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，所述根据融合特征向量生成与所述目标检测框对应的多个层级的分类结果，包括：
3.根据权利要求2所述的方法，其特征在于，所述根据所述融合特征向量进行粗分类操作，包括：
4.根据权利要求2所述的方法，其特征在于，所述将所述多个层级的分类结果进行融合计算得到最终分类结果，包括：
5.根据权利要求4所述的方法，其特征在于，所述利用所述第一预测结果p对所述第二预测结果p进行修正获得所述最终分类结果包括：
6.根据权利要求2所述的方法，其特征在于，所述基于多层级分类分支的目标检测模型在进行训练时，包括以下步骤：
7.根据权利要求6所述的方法，其特征在于，所述第一预测结果...
【专利技术属性】
技术研发人员：石文君，朱冬晨，李嘉茂，张广慧，王磊，
申请(专利权)人：中国科学院上海微系统与信息技术研究所，
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。