[发明专利]基于全卷积一阶目标检测的特征融合方法、设备及介质

说明书

本发明公开了一种基于全卷积一阶目标检测的特征融合方法、设备及介质，涉及计算机视觉技术领域，解决了特征融合的方向单一而带来的信息遗漏的技术问题，其技术方案要点是在全卷积一阶目标检测算法的基础上，横向上对特征进行逐步回归，纵向上对特征进行上采样或下采样，结合横向处理得到的信息和纵向处理得到的信息对特征进行融合，补充了来自底部的特征信息，使得整个采样过程的信息更加充足，避免了细节信息的遗漏。

技术领域

本公开涉及计算机视觉技术领域，尤其涉及一种基于全卷积一阶目标检测(FCOS，Fully Convolutional One-Stage Object Detection)的特征融合方法、设备及介质。

背景技术

全卷积一阶目标检测算法的特征融合网络采用五个特征图来对特征进行预测，如图1所示，P0、P1、P2、P3、P4这五个特征图中，P2特征图是由骨干网络中的C2层的卷积得到，P1特征图是由骨干网络中的C1层和上采样后的P2特征图结合得来的，P0特征图是通过骨干网络中的C0层和上采样后的P1特征结合得到，P3特征图是由P2特征图下采样后得来的，P4特征图是由P3特征图下采样后得来的。P0、P1、P2、P3、P4这五个特征图的尺寸分别是输入图像原图尺寸的1/128、1/64、1/32、1/16、1/8。

但是上述特征图的获取都是通过特征的纵向融合得到，并没有特征的横向融合，这会导致目标检测过程中可能会存在信息遗漏的可能性。同时，在整合特征融合的过程中，大多是从顶部向下的融合过程，缺失从底部向上的融合过程，单向的融合过程也会存在细节信息遗漏的可能。

发明内容

本公开提供了一种基于全卷积一阶目标检测的特征融合方法、设备及介质，其技术目的是从多个方位对特征进行融合，最大程度的减小特征信息遗漏的可能性。

本公开的上述技术目的是通过以下技术方案得以实现的：

一种基于全卷积一阶目标检测算法的特征融合方法，包括：

步骤S1：对第三特征P31进行逐步回归得到第三特征P32；

步骤S2：对所述第三特征P32进行下采样得到第三特征P32＇，对第二特征P21进行逐步回归得到第二特征P21＇，结合所述第三特征P32＇和所述第二特征P21＇输出第二特征P22；

步骤S3：对第一特征P11进行逐步回归得到第一特征P11＇，对所述第二特征P22进行下采样得到第二特征P22＇，结合所述第一特征P11＇和所述第二特征P22＇输出第一特征P12；

步骤S4：对所述第一特征P12进行逐步回归得到第一特征P12＇，所述第一特征P12＇即为第一特征P13；

步骤S5：对所述第一特征P13进行上采样得到第一特征P13＇，对所述第二特征P22进行逐步回归得到第二特征P22＇＇，结合所述第一特征P13＇和所述第二特征P22＇＇输出第二特征P23；

步骤S6：对所述第二特征P23进行上采样得到第二特征P23＇，对所述第三特征P32进行逐步回归得到第三特征P32＇＇，结合所述第二特征P23＇和所述第三特征P32＇＇输出第三特征P33；

其中，所述第二特征P21通过将数据输入到第二卷积层卷积得到；所述第一特征P11包括经过第一卷积层卷积的输入数据和上采样后的所述第二特征P21；所述第三特征P31是通过对所述第二特征P21进行下采样后得到。

进一步地，所述第三特征P31顶部还包括至少一个第四特征P41，所述第一特征P11底部还包括至少一个第五特征P01，包括：

步骤S7：对第四特征P41进行逐步回归得到第四特征P42；