[发明专利]一种密集连接卷积神经网络的全卷积目标检测方法

摘要

本发明涉及人工智能领域，更具体的，涉及一种密集连接卷积神经网络的全卷积目标检测方法。本发明为了克服现有方法不能对多尺度目标进行更准确的检测的不足，提供了一种密集连接卷积神经网络的全卷积目标检测方法，其特点在于可以有效地利用多尺度的特征映射来进行目标检测，使得卷积神经网络对同一图像中的不同尺度目标的检测都具有较高的准确率。

主权项

1.一种密集连接卷积神经网络的全卷积目标检测方法，其特征在于，包括以下步骤：步骤S1：构建特征提取网络Densenet，特征提取网络由多个密集连接块及转换层组成，使用密集连接块能识别到图像中更具有判别性的视觉特征，输入图像经过特征提取网络后，保留各个密集连接块输出的具有不同语义和不同分辨率的特征；步骤S2:构建特征金字塔FPN，把步骤S1中保留各层特征输入到FPN中，按照特征尺度堆叠，形成一个自下而上、尺度递增的低语义特征金字塔，由最下层开始，每层特征都经过“平行路径”进行卷积操作以获得更高的语义性；同时卷积后的特征会被上抽样到上一层特征的相同尺度，并与上一层特征进行合并，该特征将会继续往上传递，直到金字塔塔顶，循环此步骤直到构建出完整的特征金字塔；步骤S3：构建全卷积预测器FCP网络，全卷积预测器FCP是一个能同时输出目标边界框信息及分类概率的预测器，分别对特征金字塔中的所有尺度的特征映射进行预测，预测器使输入的特征映射经过一个卷积神经网络后输出一个大小为S*S*(B*5+C)的向量作为预测结果，其作用相当于把原图像分割为S*S个网格，对每个网格预测B个边界框，每个边界框包含5个信息，包括边界框的中心坐标偏移值(tx，ty)，边界框的宽高偏移值(tw,th)，以及预测边界框的置信度t0，还有对每个网格预测C个目标类别的概率；步骤S4：训练整体网络，采集目标图像参数并输入到网络中，各层网络的参数按照Xavier的方式初始化，并采用由边界框坐标回归和物体分类所组成的损失函数的随机梯度下降算法计算损失梯度并使用反向传导算法对整个网络里所有层中的参数进行微调。