[发明专利]基于DenseNet和多尺度特征融合的目标检测方法

权利要求书

1.基于DenseNet和多尺度特征融合的目标检测方法，其包括以下步骤：

S1：构建特征提取网络模型；

S2：训练所述特征提取网络模型，利用融合后的特征图对模型进行分类和回归，得到目标检测模型，通过多次迭代训练得到最优目标检测模型；

S3：将待检测图像数据输入到S2中得到的所述最优目标检测模型，利用所述最优目标检测模型进行检测，在所述待检测图像上用矩形框标注每个物体的位置和类别；

其特征在于：

步骤S1中所述特征提取网络模型以DenseNet网络为基础网络，由4个Dense block与3个过渡层交替拼接而成；而后依次连接三组卷积层Conv1～Conv3；

其还包括特征融合模块，将低层细节特征图与高层语义特征图进行融合，引入上下文信息，提高特征的表征能力；

经过所述特征提取网络模型共提取出六个不同尺度的卷积特征图，分别为Denseblock2、Denseblock3、Denseblock4、Conv1、Conv2、Conv3，所述特征融合模块将特征图Denseblock2与Denseblock4相融合，特征图Denseblock3与Conv1相融合，得到六个用于最终预测的特征图。

2.根据权利要求1所述基于DenseNet和多尺度特征融合的目标检测方法，其特征在于：步骤S1中，所述基础网络为121层的DenseNet网络。

3.根据权利要求1所述基于DenseNet和多尺度特征融合的目标检测方法，其特征在于：所述特征融合模块在对所述低层细节特征图与所述高层语义特征图进行融合的时候，需要在所述高层语义特征图后使用两次逆卷积层来实现上采样，生成与所述低层细节特征图相同大小的高层特征图的输出图，然后对所述高层特征图的输出图与所述低层细节特征图进行融合操作，得到最终的输出特征图。

4.根据权利要求3所述基于DenseNet和多尺度特征融合的目标检测方法，其特征在于：所述特征融合模块中的所述逆卷积层的卷积核尺寸为2×2，每个所述逆卷积层后接一个卷积核为3×3的卷积层、一个批量归一化层、一个ReLU激活函数层。

5.根据权利要求3所述基于DenseNet和多尺度特征融合的目标检测方法，其特征在于：所述特征融合模块中的所述低层细节特征图后接一个卷积核为3×3的卷积层、一个批量归一化层、一个ReLU激活函数层。

6.根据权利要求3所述基于DenseNet和多尺度特征融合的目标检测方法，其特征在于：所述融合操作通过Elts Sum融合方法进行，将所述高层特征图的输出图与所述低层细节特征图直接叠加，融合后接一个批量归一化层、一个ReLU激活函数层。

7.根据权利要求3所述基于DenseNet和多尺度特征融合的目标检测方法，其特征在于：所述融合操作通过Concat融合方法进行，将所述高层特征图的输出图与所述低层细节特征图在通道维度上进行拼接，导致特征图维度的扩充，融合后接一个1×1的卷积层、一个批量归一化层、一个ReLU激活函数层。

8.根据权利要求1所述基于DenseNet和多尺度特征融合的目标检测方法，其特征在于：所述特征提取网络模型中的所述三组卷积层Conv1～Conv3，每一组卷积层都包含卷积核为1×1的卷积层和卷积核为3×3的卷积层，这些卷积层的尺寸逐渐减小。