[发明专利]一种基于深度学习的多尺度转换目标检测算法

摘要

本发明公开了一种基于深度学习的多尺度转换目标检测算法，其特征在于，包括以下步骤：S1，采用基础网络进行特征提取；S2，采用多尺度转换模块，对于卷积网络生成的特征进行处理；S3，采用目标定位和分类模块，对目标进行精准定位以及对输出目标分类。本发明的算法改善了整个网络的信息流和梯度，使得更容易进行训练。每一层都可以直接访问损失函数和原始输入信号的梯度，从而实现隐式的深度监控，这有助于更深入地训练网络架构。

主权项

1.一种基于深度学习的多尺度转换目标检测算法，其特征在于，包括以下步骤：S1，采用基础网络进行特征提取；基础网络作为一种网络体系结构，将所有具有匹配的映射特征大小的层直接连接在一起，每个层从前面所有层获取额外的输入，并将自己的映射特征传递给后面所有层；不在特性被传递到下一个网络层之前通过求和来组合它们，而是通过连接这些特性来进行组合；S2，采用多尺度转换模块，对于卷积网络生成的特征进行处理；采用多尺度转换模块将不同分辨率的映射特征的预测结果结合起来，在上述的网络体系结构中，最后一层的输出是具有不同尺寸大小的映射特征，且具有高维度的通道数；且通过所述网络体系结构，将底层特征直接转移到网络的顶部，得到了强语义特征，网络顶部的映射特征既有底层的细节信息，又有高层的语义信息，从而提高了目标定位和分类的性能；在多尺度转换模块中，一方面采用平均池化来获取低分辨率的映射特征，另一方面对于高分辨率的映射特征，采用将高纬度的通道数转换为更高分辨率的映射特征；S3，采用目标定位和分类模块，对目标进行精准定位以及对输出目标分类；是由目标定位子网和目标分类子网组成模块，通过定锚机制，为在多尺度转换模块中获得的每个映射特征的每个像素点配备上一组若干个尺寸的默认锚框。