[发明专利]一种基于高级语义特征无锚框非合作目标检测方法

权利要求书

1.一种基于高级特征无锚框非合作目标检测方法，其特征在于，包括以下步骤：

S1.输入图像，用于处理输入图像样本标签信息及样本扩增；

S2.特征提取融合模块，用于提取图像多层级特征并融合获得图像的高级语义特征层；

S3.检测头模块，用于将高级语义特征层进行分类与回归，获得最优模型参数；

S4.检测结果，将最优模型参数用于非合作目标检测实际应用部署。

2.根据权利要求1所述的目标检测网络结构，其特征在于，所述特征提取融合模块为ResNet50内置网络，其下采样率分别为2,4,8,16,32，分别获得四个多尺度特征层以及一个经过阶梯融合后的高级语义特征层；

所述见检测头模块，用以形成两个检测分支，分别产生目标中心点热图和目标尺度预测图。

3.一种基于高级特征无锚框非合作目标检测方法，其特征在于，包括以下训练和测试步骤：

获取用于训练和测试用的目标检测数据集，将标注信息转化为网络模型可直接读取的格式；

初始化网络训练模型，对训练样本进行预处理，并进行浮点转换，得到浮点图像；

利用特征提取融合模块，提取多尺度特征图，将多尺度特征图进行融合形成高级语义特征图；

利用检测头模块对高级语义特征进行提取，获得两个检测分支，用于产生目标中心点热图和目标尺度预测图；

计算分类与回归损失并反向传播，进行网络参数的迭代更新；

完成网络训练；

将保存的网络模型应用到实际测试数据，完成测试。

4.根据权利要求3所述的目标检测方法，其特征在于，所述初始化训练模型过程中设置算法的预训练模型参数，最大迭代次数、学习率、反向传播方法、训练批次尺寸batch_size、每一次迭代批尺寸的个数inter_size、动量参数、分类IOU阈值等参数；采用反转、平移、缩放、亮度变化、裁剪、颜色变换等操作对输入的训练样本集进行数据扩充。

5.根据权利要求3所述的目标检测方法，其特征在于，将经过输入图像经过特征融合提取模块，获取FL2,FL3,FL4,FL5四个特征层作为多尺度特征图，其尺寸大小分别为输入图像大小的1/4,1/8,1/16,1/32。将四个特征层进行阶梯融合并将经过处理后的特征层以concatenation方式进行融合形成具有高级语义信息的特征层。

6.根据权利要求3所述的目标检测方法，其特征在于，检测头模块经过3×3×512卷积核，BN层，ReLu函数激活后，再通过两个1×1的卷积核形成两个检测分支，分别产生目标中心点热图和目标尺度预测图。

7.根据权利要求5所述的特征层融合方法，其特征在于，对多尺度特征图FL2,FL3,FL4,FL5分别进行L2 Normalization，随后利用双线性插值对FL5进行上采样，统一尺度到FL4尺寸大小，并与FL4进行Eltw-sum融合操作形成新的特征层，记作FL4_1；将FL4_1利用双线性插值进行上采样，统一尺度到FL3尺寸大小，并与FL3进行Eltw-sum融合操作形成新的特征层，记作FL3_1；将FL3_1利用双线性插值进行上采样，统一尺度到FL2尺寸大小，并与FL2进行Eltw-sum融合操作形成新的特征层，记作FL2_1。

8.根据权利要求5所述的获取高级语义特征方法，其特征在于，将FL5,FM4_1、FM3_1通过反卷积操作，统一到FL2_1尺寸，将统一尺寸后的特征层进行Cconcatenate融合操作，利用1×1卷积核调整通道数，形成含有高级语义特征的特征层FL6。

9.根据权利要求3所述的检测方法，其特征在于，对含有的高级语义特征层进行分类和回归，通过分类IOU阈值来判定检测的正误，使用Cross Entropy Loss函数计算分类的损失，使用Smooth L1函数计算回归的损失，总的损失为分类损失和回归损失的加权求和。