[发明专利]一种提升小尺度目标检测识别性能的卷积神经网络设计方法

说明书

本发明一种提升小尺度目标检测识别性能的卷积神经网络设计方法，步骤如下：(1)选取原始网络的N个输出节点；(2)对每一个节点依次建立特征漏斗层，对每一层特征漏斗层的输入节点至下一层特征漏斗层的输入节点或网络末端之间的卷积网络，保留网络结构的同时将原始网络中一半数量的卷积核移动至特征漏斗层内，若有池化层则取消池化层，若有大步长卷积则将步长设置为1，保留的原始网络部分称为该特征漏斗层对应原始网络层；(3)建立每一层特征漏斗层的输出，对每一层特征漏斗层末端设置两个输出，称为特征漏斗层的输出一和特征漏斗层的输出二；(4)级联全部特征漏斗层，构建特征漏斗网络；(5)进行多尺度预测，完成网络设计。

技术领域

本发明涉及一种提升小尺度目标检测识别性能的卷积神经网络设计方法，适用于基于卷积神经网络的目标检测识别网络结构和深度学习框架。

背景技术

基于卷积神经网络的目标检测识别算法分为一阶段算法和二阶段算法，两种算法均需要使用一组深度卷积神经网络作为主干网络对输入图片进行处理，获得高维特征图，并通过区域建议网络或直接回归区域对输入图片中的目标进行检测识别。但由于卷积操作不具备尺度不变性，且深度卷积神经网络中包含大量下池化层，会丢失或改变小尺度目标的特征信息，基于卷积神经网络的目标检测识别算法对小尺度目标的检测识别性能远低于大尺度目标的检测识别性能。

为提升小尺度目标的检测识别性能，近年来公开发表的文献中对卷积神经网络的改进方法主要有由Facebook提出的特征金字塔网络(Feature Pyramid Networks，FPN)和由微软亚洲研究院提出的空间金字塔池化(Spatial Pyramid Pooling，SPP)。特征金字塔网络是通过将高维特征图通过上采样扩大了特征图尺寸，叠加到低维特征图中，增加了小目标特征图的尺寸，以提升小目标检测识别的性能。空间池化金字塔则是对高维特征图进行多种尺寸的池化操作，生成包含多尺度信息的特征图，该操作加至于特征金字塔网络计算之前，可进一步提升小尺度目标检测的性能。

但上述已有方法存在的缺点主要体现在：(1)目前的改进方法主要是针对目标检测网络中作为主干网路的深度卷积神经网络输出的高维特征图的设计方法，而由于深度卷积神经网络中包含多次的池化计算，小尺度目标在经过深度卷积神经网络后特征图中仅占有几个像素，丢失了大量的特征信息，不利于小目标的检测识别；(2)由于卷积计算本身不具备尺度不变性，小目标与大目标尽管是相同的物体，但其卷积特征并不对等，不同尺度目标的检测识别使用相同的主干网络结构难以保证多尺度检测识别能力。

发明内容

本发明解决的技术问题是：克服现有技术的不足，在现有基于卷积神经网络的目标检测识别算法基础上，提出了一种通用的卷积神经网络设计方法，使用该方法应用于现有的目标检测识别算法，能够获得更高的小目标检测识别性能。

本发明的技术方案是：一种提升小尺度目标检测识别性能的卷积神经网络设计方法，步骤如下：

(1)选取原始网络的N个输出节点；所述N个节点分别位于连续相近的池化层或大步长卷积之前，将各节点的输出作为特征漏斗网络的对应数量的输入节点；

(2)对步骤(1)中每一个节点依次建立特征漏斗层，对每一层特征漏斗层的输入节点至下一层特征漏斗层的输入节点或网络末端之间的卷积网络，保留网络结构的同时将原始网络中一半数量的卷积核移动至特征漏斗层内，若有池化层则取消池化层，若有大步长卷积则将步长设置为1，保留的原始网络部分称为该特征漏斗层对应原始网络层；

(3)建立每一层特征漏斗层的输出，对步骤(2)中每一层特征漏斗层末端设置两个输出，一个直接输出用于步骤(5)中多尺度预测，称为特征漏斗层的输出一；另一个输出增加最大池化层，使得最大池化层后的输出特征图尺寸与步骤(2)中被移入特征漏斗层的卷积网络输出特征图尺寸一致，称为特征漏斗层的输出二；

(4)级联全部特征漏斗层，构建特征漏斗网络；