[发明专利]一种基于faster-RCNN提高小目标检测效果的方法

权利要求书

1.一种基于faster-RCNN提高小目标检测效果的方法，其特征在于，包括如下步骤：

步骤1、获取数据集，并按照相应比例将数据集划分成训练集及测试集；

步骤2、构建faster-RCNN模型；

步骤3、利用所述训练集对构建的faster-RCNN模型进行训练，在对模型进行训练的过程中，如果在第n次迭代中，小目标的loss值如果达到了预设条件，那么在第n+1次迭代中，将多张图片进行缩小，然后拼接成原图大小，再进行训练；

步骤4、在训练结束后，利用所述测试集对模型进行测试，得到AP值，若得到的AP值小于设定的阈值，则修改相应参数，重新训练，直到模型的小目标AP值达到设定的阈值；

步骤5、利用训练好的faster-RCNN模型进行小目标的检测。

2.根据权利要求1所述的一种基于faster-RCNN提高小目标检测效果的方法，其特征在于，步骤1中，所述数据集为COCO数据集，所述COCO数据集是一个已经标注好的大型目标检测数据集。

3.根据权利要求1或2所述的一种基于faster-RCNN提高小目标检测效果的方法，其特征在于，步骤1中，所述训练集与测试集的比例为8：2。

4.根据权利要求1所述的一种基于faster-RCNN提高小目标检测效果的方法，其特征在于，步骤2中，在构建faster-RCNN模型时，依次搭建Conv层、区域生成网络层、感兴趣区域池化层及分类层；

所述Conv层，用于提取图片的特征图；

所述区域生成网络层，用于生成检测框，即初步提取图片中目标候选区域；

所述感兴趣区域池化层，用于获取Conv层生成的特征图和区域生成网络层生成的目标候选区域，并综合信息后提取候选特征图；

所述分类层，用于使用边框回归获得检测框最终的精确位置，以及通过候选特征图判定目标类别。

5.根据权利要求1所述的一种基于faster-RCNN提高小目标检测效果的方法，其特征在于，步骤3中，所述预设条件是指：小目标的loss值占全部目标的loss值的比重低于预设阈值范围：

其中，L_S是小目标的loss值，L是全部目标的loss值，R_S是小目标的loss值占全部目标的loss值的比重，所述全部目标包括大目标、中目标及小目标。

6.根据权利要求5所述的一种基于faster-RCNN提高小目标检测效果的方法，其特征在于，所述预设阈值范围为0.05-0.3。

7.根据权利要求1或6所述的一种基于faster-RCNN提高小目标检测效果的方法，其特征在于，步骤3中，所述图片的张数为四。

8.根据权利要求7所述的一种基于faster-RCNN提高小目标检测效果的方法，其特征在于，步骤3中，对图片的缩小方法如下：

w'＝w/2，h'＝h/2

其中，w是原图片宽度，w'是图片缩小后的宽度，h是原图片高度，h'是图片缩小之后的宽度。

9.根据权利要求8所述的一种基于faster-RCNN提高小目标检测效果的方法，其特征在于，步骤3中，对缩小后的图片进行拼接时，将宽高缩小为原图的1/2的四张图片，拼成一张与原来图片尺寸相同的图片。

10.根据权利要求7所述的一种基于faster-RCNN提高小目标检测效果的方法，其特征在于，步骤4中，所述AP值设定的阈值为23％，当得到的AP值小于设定的阈值时，则修改R_S参数，重新训练，直到模型的小目标AP值达到设定的阈值。