[发明专利]一种基于深度学习的复杂背景下典型目标检测方法及系统

权利要求书

1.一种基于深度学习的复杂背景下典型目标检测方法，其特征在于，所述方法包括：

收集包含典型目标的图像数据并进行预处理，制作数据集；

通过backbone网络、双向多尺度特征融合网络、基于注意力机制的多特征选择模块、分类子网络和回归子网络构建目标检测网络模型；所述目标检测网络模型中，将backbone网络与双向多尺度融合特征网络进行融合，组成特征融合网络，用于进行多尺度融合特征图提取；多尺度融合特征图提取的具体步骤包括：

利用backbone网络提取图像的特征图；

对特征图进行自上而下路径的特征融合，得到同时包含低层细节信息和高层语义信息的融合特征图，具体为：设backbone网络的输出为C_i(i∈{3,4,5})，经过特征融合的特征图为P_i(i∈{3,4,5,6,7)，其中C₅经过1×1的卷积降维得到P₅，P₅经过二倍下采样得到P₆，P₆经过二倍下采样得到P₇，C₄与P₅二倍上采样的结果融合得到P₄，C₃与P₄二倍上采样的结果融合得到P₃；

对融合特征图进行自下而上路径的特征融合，以控制浅层特征传递到高层过程中的特征损失，得到多尺度融合特征图，具体为：P₃经过3×3卷积操作得到P₃'；P₄经过3×3卷积的结果与P₃'二倍下采样的结果相加再经过3×3卷积得到P₄'，P₅经过3×3卷积的结果与P₄'二倍下采样的结果相加再经过3×3卷积得到P₅'，P₆经过3×3卷积的结果与P₅'二倍下采样的结果相加再经过3×3卷积得到P₆'，P₇经过3×3卷积的结果与P₆'二倍下采样的结果相加再经过3×3卷积得到P₇'；

所述目标检测网络模型中，利用基于注意力的多特征选择模块对多尺度融合特征图进行分类特征选择和回归特征选择，得到分别用于分类和回归的特征图；基于注意力的多特征选择模块的输入是特征融合网络输出的多尺度融合特征图P_i',i＝3,4,5,6,7，输出是与输入维度相同的一系列特征图D_i,i＝3,4,5,6,7，其处理过程如下公式所示：

A_i＝σ[φ_i(P_i')]

D_i＝A_i⊙P_i'+P_i'

φ(P_i')为P_i'通过四层3×3的卷积得到，σ为Sigmoid函数，A_i为元素在0～1之间的矩阵，⊙表示矩阵对应元素相乘计算；基于分类任务和回归任务设计损失函数，通过所述数据集训练和测试目标检测网络模型；

通过测试后的目标检测网络模型对待测图像进行典型目标检测。

2.根据权利要求1所述基于深度学习的复杂背景下典型目标检测方法，其特征在于，所述典型目标包括但不限于飞机、船舶、存储罐、桥梁、小型车辆、大型车辆。

3.根据权利要求1所述基于深度学习的复杂背景下典型目标检测方法，其特征在于，所述分类子网络的分类任务包括两个，对anchorbox所属目标类别进行分类、对anchorbox的角度进行分类；所述回归子网络的回归任务包括对anchorbox的中心点(x₀,y₀)、宽度w、高度h进行回归。