[发明专利]一种基于信息增强的目标检测方法

说明书

本发明公开了一种基于信息增强的目标检测方法，目的是解决单阶段检测方法精度低的缺点。技术方案是构建由特征提取模块、语义提升模块、特征选择模块、特征融合模块、检测模块构成的目标检测系统，采用训练数据集对目标检测网络进行训练，采用训练后的目标检测系统对单帧图像进行特征提取、语义提升、特征选择、特征融合，识别目标的位置和类别。本发明语义提升模块丰富多尺度特征的语义信息，特征选择模块采用注意力模块增强不同尺度特征图中的有用信息、抑制无用信息，达到了增强信息的目的；特征融合模块将经过特征选择的全局语义特征图融合到多尺度特征图上，使每个特征图都具有更准确的位置和语义信息，提高了检测精度。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于信息增强的的目标检测方法。

背景技术

目标检测是计算机视觉领域重要的研究方向之一，传统的目标检测方法是通过对一定区域内的图像构建特征描述子(如方向梯度直方图等)提取特征，然后利用分类器对特征进行分类实现目标检测，如支持向量机SVM(Support Vector Machine)等。近来随着卷积神经网络的发展，工程特征大部分已经被卷积神经网络特征所取代，目标检测系统在精度和速度上都取得了很大的进步。

当前，基于深度学习的目标检测方法分为双阶段检测方法和单阶段检测方法。

双阶段检测方法采用Fast R-CNN、Faster R-CNN、R-FCN双阶段网络，首先对输入图片提取候选区域，然后对提取的候选区域进行分类和定位。目前，该类方法达到了检测精度非常好的效果，但是存在速度较慢的缺点，达不到实时性的要求。

单阶段检测方法采用SSD(Single Shot MultiBox Detector，单阶段多参考窗口检测器)等单阶段网络直接对设置的默认框进行定位和分类，省略了双阶段方法中提取候选区域的操作，检测速度得到了提升，但是检测精度较双阶段方法略有下降，尤其是对小尺寸目标的检测。出现这种情况主要是因为面向小尺寸目标检测的低层特征的卷积层数少，语义信息不够丰富，导致小目标的检测效果仍然不尽如人意。

FPN(见文献“Lin,Tsung-Yi,et al.Feature pyramid networks for objectdetection[C]//Proceedings of the IEEE conference on computer vision andpattern recognition.2017”,Lin Tsung-Yi的论文：目标检测特征金字塔网络)网络通过侧向连接将高层特征丰富的语义逐层传递给低层特征，Libra r-cnn(见文献“Pang,Jiangmiao,et al.Libra r-cnn:Towards balanced learning for object detection[C]//Proceedings of the IEEE Conference on Computer Vision and PatternRecognition.2019”，Pang Jiangmiao的论文：针对目标检测的平衡学习)网络通过特征相加求均值的方法使每层特征都获得了其他所有特征的信息。采用了FPN和Libra r-cnn网络进行特征融合的目标检测方法都是将已有特征直接进行结合，没有经过筛选以抑制无用的信息、增强有用的信息，无法达到很好的融合效果，因此检测精度仍然比较低。

因此，如何充分利用全局信息，在不降低单阶段检测方法速度的同时，提供一种检测精度更高的目标检测方法，是本领域技术人员正在探讨的热点问题。

发明内容

本发明要解决的技术问题是解决目前单阶段检测方法虽然检测速度快，但精度低的缺点。

本发明提供一种基于信息增强的目标检测方法，在单阶段SSD网络中加入注意力机制，达到提升目标检测尤其是小目标检测精度的目的。