[发明专利]一种面向示意图的对象检测方法

权利要求书

1.一种面向示意图的对象检测方法，其特征在于，包括以下步骤：

预设示意图中的超像素区域，在预设的超像素区域中均匀分配聚类中心点，依据聚类中心点构造度量标准，根据度量标准更新所有聚类中心点，得到若干个超像素区域；

将每个所述超像素区域划分为块矩形，并对所述块矩形进行最大值池化处理，得到规模为的特征图；

将所述的特征图输入预设的全连接神经网络和编码器神经网络得到均值向量和标准差向量，根据所述均值向量和标准差向量依据重参数化技巧计算编码信息；

通过预设的编码器神经网络获得所述编码信息对应的位置信息，在所述编码信息和编码信息对应的位置信息中分别随机选取聚类中心点；利用每一编码信息和位置信息与所有聚类中心点的相似度得到所有编码信息和位置信息所形成的聚类簇；将同一聚类簇中的编码信息和位置信息分别进行融合形成大超像素块的特征信息和位置信息；

将所述同一聚类簇中所形成的大超像素块的位置信息按照置信度进行排序；通过非极大抑制算法将示意图中待检测对象周围不必要的位置信息进行去除，保留最符合真实数据的位置信息；完成示意图的对象检测。

2.根据权利要求1所述的一种面向示意图的对象检测方法，其特征在于，所述根据均值向量和标准差向量依据重参数化技巧计算完编码信息后，还包括，将所述编码信息输入基于反卷积模型的解码器神经网络重建示意图的特征信息；

在所述形成大超像素块的特征信息和位置信息后，还包括，将所述同一聚类簇中所形成的大超像素块的特征信息输入二值量化残差神经网络，将所述特征信息和残差神经网络中参数矩阵进行二值化并保留一个浮点数缩放因子；通过对二值化后的特征信息和参数矩阵的位运算和向量内积运算得到超像素块的对象标签；

在所述示意图的对象检测完成后，还包括，将所述大超像素块的对象标签和位置信息与重建示意图上特征信息和符合真实数据的位置信息进行计算得到模型损失，并根据模型损失计算梯度信息；对梯度信息进行抑制后利用反向传播算法将梯度信息传递来指导上述所有步骤中的神经网络进行训练。

3.根据权利要求2所述的一种面向示意图的对象检测方法，其特征在于，所述模型损失的公式如下：

式中：重建损失用于衡量重建图像与原图像的相似程度，精度损失用于约束采样编码的分布，表示平衡因子，表示从输入图像到编码信息的过程，表示从编码信息到输入图像的分布，表示编码信息的分布。

4.根据权利要求2所述的一种面向示意图的对象检测方法，其特征在于，所述梯度信息进行抑制的公式为：

式中：表示神经网络的模型参数。

5.根据权利要求2所述的一种面向示意图的对象检测方法，其特征在于，对所述二值化后的特征信息和参数矩阵的位运算和向量内积运算的公式如下：

式中：表示先经过位运算，再计算有多少个1实现的向量内积运算，是大超像素块的特征信息的特征编码，是浮点数权重，是参数矩阵保留的浮点数缩放因子，是大超像素块保留的浮点数缩放因子，是二值化后的特征编码，是二值化后的参数矩阵。

6.根据权利要求1所述的一种面向示意图的对象检测方法，其特征在于，所述依据聚类中心点构造度量标准的公式如下：

式中：表示颜色距离，表示空间距离，表示类内最大空间距离，表示相邻聚类中心点之间近似距离；

所述根据度量标准更新所有聚类中心点的具体步骤如下：

按照度量标准对所有聚类中心点周围范围进行计算确定范围内所有像素点所属聚类，对范围所有像素点计算完成之后，根据每一超像素区域中计算结果更新所有聚类中心点。