[发明专利]一种基于金字塔输入增益的卷积神经网络的目标检测方法

说明书

本发明涉及一种基于金字塔输入增益的卷积神经网络的目标检测方法，属于计算机视觉及目标检测技术领域。所述目标检测方法基于包括特征提取模块和多任务预测模块的卷积神经网络模型PiaNet；所述目标检测方法，包括训练阶段和测试阶段；训练阶段采用两阶段迁移学习策略，包括：步骤(1)数据增强和数据预处理，产生第一阶段训练的训练集、第二阶段训练的训练集和测试集；步骤(2)在二分类网络中进行第一阶段训练；步骤(3)进行第二阶段训练，得到训练后的PiaNet网络；测试阶段即精确检测目标，具体为：将测试集输入到训练后的PiaNet网络，通过多任务损失函数输出检测框位置和分类结果。适用面广泛，且具有很高的鲁棒性。

技术领域

本发明涉及一种基于金字塔输入增益的卷积神经网络的目标检测方法，属于计算机视觉及目标检测技术领域。

背景技术

目标检测是指在图像中找出所有感兴趣目标的具体位置和大小等定位信息，该问题是计算机视觉、模式识别等领域中的基础问题之一，解决该问题的方法在汽车自动驾驶、视频监控及分析、人脸识别及其医学CT图像的结节或肿瘤检测等应用中得到广泛使用。

现有的目标检测方法主要分为两类：

1)传统目标检测方法。传统目标检测一般采用滑动窗口的框架，主要包括图像空间分割、特征设计和提取、分类识别等步骤，它需要在尺度和位置等几个维度空间内进行搜索，待处理的窗口数量巨大，使得计算量过大，且手工设计的特征对多样性目标的鲁棒性不强，很难设计出高效的特征，检测精度较低。

2)基于卷积神经网络的目标检测方法。基于卷积神经网络的目标检测方法也主要分成两类。一类是两阶段方法，其中包括第一阶段的候选区域提取，第二阶段对区域进行卷积特征提取和分类，比如R-CNN,Faster R-CNN等；另一类是端到端的检测方法，如Yolo，SSD等，这类方法只需要一个卷积神经网络，直接输出所有的检测结果。

现有技术的缺陷：

1)传统的检测方法，尽管简单，但由于图像中的目标往往在姿态、尺度、灰度空间等方面呈现多样性，检测精度往往达不到实际应用的要求。

2)已有的基于卷积神经网络的目标检测方法，因为采用了复杂的神经网络结构，尽管检测精度优于传统方法，但在训练过程中需要固定输入尺度，且这些模型结构具有层级卷积下采样的特点，对部分尺度相对小的目标提取的特征信息和位置信息经常丢失，使得无法准确定位大尺度目标且经常漏检小尺度目标。这使得在具体目标的检测上，其召回率和准确率不能达到良好的效果。

发明内容

本发明的目的是针对现有基于卷积神经网络进行目标检测的方法存在可靠性低、漏检率高的技术缺陷，提出了一种基于金字塔输入增益的卷积神经网络的目标检测方法，所述方法提出了一种基于金字塔输入增益的卷积神经网络模型PiaNet，PiaNet融合了多尺度处理和多任务学习有效地提高了检测精度和检测准确率。

一种基于金字塔输入增益的卷积神经网络的目标检测方法，提出了一种基于金字塔输入增益的卷积神经网络模型PiaNet，网络模型PiaNet主要包括特征提取模块和多任务预测模块；

其中，所述特征提取模块包括特征压缩模块和特征放大模块；其中，特征压缩模块包括N个卷积块，沿着一条融合源连接输入的特征压缩路径展开；特征放大模块包括M个反卷积块，沿着一条融合了跳跃连接的特征放大路径展开；

其中，源连接对预处理后的图像分别进行average pooling操作得到多尺度源图像并构成了图像金字塔，降低了特征压缩路径上的信息损失；

特征压缩路径上的每个卷积块包含一次卷积、BN、激活和Pooling操作，对输入图像进行特征提取得到特征图；