[发明专利]基于多尺度感受野特征融合的深度神经网络目标检测方法

说明书

本发明涉及一种基于多尺度感受野特征融合的深度神经网络目标检测方法，包括：收集训练样本图片，要求图像包含RGB三通道，并附有物体检测框标注和每个物体的类别标注信息；将收集到的图像数据集中的图像数据和标签数据通过预处理转为训练深度卷积神经网络所要求的格式；设计基于多尺度感受野特征融合的深度卷积神经网络结构；设计应用于目标检测的深度神经网络结构，设计时要根据输入输出数据的结构来确定网络的输入层和输出层，并确定神经网络中多尺度感受野特征融合模块的个数及卷积层的个数，确定网络训练循环迭代的次数和网络最终收敛条件。根据训练的目标和模型的结构，定义所需的损失函数，训练阶段对目标的类别和检测框偏移量进行回归。

技术领域

本发明涉及计算机图像识别的技术领域，特别涉及采用深度神经网络方法的图像目标检测方法。

背景技术

目标检测是计算机视觉计算领域的重要课题之一。随着社会的发展和技术的进步，目标检测这一技术不断地在各种场景中得到充分的使用，实现各种预期目标，如无人驾驶、安全监测、视频监控和交通管制等领域。针对大量的图像视频数据和变化的场景，高效地定位和分类各种感兴趣目标，实现快速而精确的目标检测，具有重要意义。

近年来，深度学习特别是卷积神经网络在计算机视觉领域和自然语言处理领域取得的巨大进步，引发了该领域学者的研究兴趣。随着一系列基于深度学习的骨架网络的提出，例如AlexNet、VGGNet、GoogLeNet、ResNet和DenseNet等，有关目标检测方法的研究在基于这些骨架网络提取特征的基础上取得了很大的进展。目前，基于深度学习的目标检测方法大致分为两类：单阶段的检测方法和两阶段的检测方法。两阶段的方法大致遵循区域建议和区域定位分类两个步骤，包括R-CNN系列方法，取得了较高的检测精度，但计算复杂度相对较高，难以满足实时性的应用需求。单阶段的方法一般采用回归的思想来直接检测边框位置及所属类别，主要包括YOLO、SSD等。单阶段检测器突破了实时性方面的瓶颈，但是检测效果有限，尤其是对小目标检测精度不高和对不同尺度物体的定位不够精确。因此，如何在确保满足系统实时性的前提下尽量提升检测精度是当前该领域的研究热点。

参考文献：

[1]Krizhevsky,A.,Sutskever,I.,Hinton,G.E.(2012).Imagenetclassification with deep convolutional neural networks.In Advances in neuralinformation processing systems(pp.1097-1105).

[2]Simonyan,K.,Zisserman,A.(2014).Very deep convolutional networksfor large-scale imagerecognition.arXivpreprintarXiv:1409.1556.

[3]Szegedy,C.,Liu,W.,Jia,Y.,Sermanet,P.,Reed,S.,Anguelov,D.,...Rabinovich,A.(2015).Going deeper with convolutions.In Proceedings of the IEEEconference on computer visionandpatternrecognition(pp.1-9).

[4]He,K.,Zhang,X.,Ren,S.,Sun,J.(2016).Deep residual learning forimage recognition.In Proceedings ofthe IEEE conference on computer vision andpattern recognition(pp.770-778).