【技术实现步骤摘要】
本专利技术涉及人工智能，尤其涉及一种基于mask-rcnn的特征提取网络的改进方法。
技术介绍
1、mask-rcnn网络中使用主干特征提取网络中依次缩小了4、8、16、32倍的c2、c3、c4、c5的结果构建fpn。
2、现有技术中mask-rcnn网络基本架构如图1所示：先由下至上对c2、c3、c4、c5进行卷积等操作生成不相同的维度特征，再由下至上进行特征融合操作；在该过程中随着网络的加深部分特征细节会随之丢失，这将会降低掩膜操作的精度；
3、深层特征在经过不断的下采样和上采样后，其反馈出的位置信息和掩膜信息可能出现偏差。
技术实现思路
1、本专利技术提出一种基于mask-rcnn的特征提取网络的改进方法，解决了现有技术中随着网络的加深部分特征细节会随之丢失，这将会降低掩膜操作的精度；深层特征在经过不断的下采样和上采样后，其反馈出的位置信息和掩膜信息可能出现偏差的问题。
2、本专利技术的技术方案如下：
3、一种基于mask-rcnn的特...
【技术保护点】
1.一种基于MASK-RCNN的特征提取网络的改进方法，其特征在于，由上至下对C2、C3、C4、C5进行卷积等操作生成不同维度的特征，随后对不同层的特征进行融合，对低层次特征和高层次的特征进行融合。
2.根据权利要求1所述的一种基于MASK-RCNN的特征提取网络的改进方法，其特征在于，对C2进行一次卷积降低特征维度，随后与C3卷积后并经过上采样的结果进行特征融合操作。
3.根据权利要求2所述的一种基于MASK-RCNN的特征提取网络的改进方法，其特征在于，进行一次卷积的C2与C3卷积并经过上采样和特征融合后的融合结果进行一次卷积得到最终的有效
【技术特征摘要】
1.一种基于mask-rcnn的特征提取网络的改进方法，其特征在于，由上至下对c2、c3、c4、c5进行卷积等操作生成不同维度的特征，随后对不同层的特征进行融合，对低层次特征和高层次的特征进行融合。
2.根据权利要求1所述的一种基于mask-rcnn的特征提取网络的改进方法，其特征在于，对c2进行一次卷积降低特征维度，随后与c3卷积后并经过上采样的结果进行特征融合操作。
3.根据权利要求2所述的一种基于mask-rcnn的特征提取网络的改进方法，其特征在于，进行一次卷积的c2与c3卷积并经过上采样和特征融合后的融合结果进行一次卷积得到最终的有效特征之一p2。
4.根据权利要求3所述的一种基于mask-rcnn的特征提取网络的改进方法，其特征在于，对经过卷积操作缩小维度的c2进行maxpooling处理缩小特征尺寸，使其与c3经过卷积和上采样后的尺寸、维度大小一致。
5.根据权利要求4所述的一种基于mask-rcnn的特征提取网络的改进方法，其特征在于，将c3降低维度后的结果与c4卷积...
【专利技术属性】
技术研发人员：黄传启，马泉泉，王文宗，常得琳，路嫣茹，张睿智，刘鹏升，刘文钊，张猛，张凌宇，张剑，亓文哲，崔雯迪，康天宇，邵艳，王刚，王通，高延涛，黄英姿，赵大香，宋伊敏，梁斌，陶明峰，樊斌，
申请(专利权)人：国网山东省电力公司淄博供电公司，
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。