[发明专利]一种基于比率自适应池化的多尺度特征物体检测算法

说明书

本发明涉及一种基于比率自适应池化的多尺度特征物体检测算法。包括以下步骤：(1)采集大量的图像，按照一定比例划分为训练集和测试集，并对训练集进行预处理；(2)将训练集输入到一个预训练好的神经网络(ResNet50)进行特征提取，获得对应的feature map；(3)将RPN嵌入在RAP结合FPN结构中生成不同尺度特征并对RPN进行训练；(4)将步骤(3)生成的不同尺度的ROI进行RoI Pooling，然后计算损失、分类、更细节的边框回归；(5)将测试集图像输入到训练好的检测模型中输出检测结果。本发明的方法能有效的缓解FPN在融合过程中损失语义问题，提升检测精度。

技术领域

本发明涉及图像处理领域，尤其是一种基于比率自适应池化的多尺度特征物体检测算法(下面称为RAP)。

背景技术

目标检测被广泛地应用于行人检测、智能辅助驾驶、智能监控、火焰烟雾检测以及智能机器人等领域，目标检测技术虽然发展迅速，但是也存在很多问题，其中如何提高检测精度一直是目标检测的难点。

特征金字塔网络(下面简称FPN)主要用于解决目标多尺度的问题。它是由特征层自上而下所形成的结构，由于FPN在自顶向下和横向连接过程中会经过1×1卷积进行降维，使得通道(channel)减少，这会损失语义信息，而且FPN最顶层直接经过1×1卷积进行降维，然后经过3×3卷积生成新的顶层用于最后的预测，因为它没有跟其他层信息进行融合，通道数减少会损失语义信息。

发明内容

为了克服上述现有技术的不足，本发明提出了一种基于比率自适应池化的多尺度特征物体检测算法，该算法能在FPN自上而下和横向连接融合过程中增强语义信息，提高多尺度物体检测精度。

本发明的技术方案如下：

一种基于比率自适应池化的多尺度特征物体检测算法，对传统的自上而下特征金字塔网络融合结构进行改进，所述方法包括：

将待测图像输入到卷积神经网络(ResNet50),C_x代表ResNet每一个模块生成的特征图C＝{C₂,C₃,C₄,C₅}，整体框架保留了FPN原来的结构，横向连接是C经过1×1卷积降低为维度到256记为M＝{M₂,M₃,M₄,M₅}，然后经过最顶层的M₅经过RAP模块进行增强，输出记为P₅；

P₅经过上采样与横向连接的M₄融合，输出记为P₄。依次操作，直到输出最后一层特征图P₂，完成增强过程。P＝{P₂,P₃,P₄,P₅}送入后续的检测。

其中在RAP增强的具体操作是：FPN的最顶层特征M₅经过一个比率自适应，池化方式为自适应平均池化，这里我们选用的池化系数为α＝[0.1,0.2,0.3]，输出的分辨率不同的三个特征图记为{A,B,C}；

然后{A,B,C}经过3×3卷积后再经过双线性差值上采样输出记为{E,F,G}，恢复到原来的输入分辨率大小；

最后三个分辨率相同的特征图进行特征拼接，再经过1×1卷积降低通道数到256，输出最后的增强结果。至此，比率自适应池化过程构建完成。