[发明专利]基于稠密连接的深度学习物体检测方法及装置

权利要求书

1.一种基于稠密连接的深度学习物体检测方法，其特征在于，所述方法包括：

基于预先构建的物体检测网络模型对输入图像进行物体检测，得到所述输入图像中物体的分类结果和坐标位置；

其中，

所述物体检测网络模型基于卷积神经网络模型构建，包括特征提取模块、融合模块、聚合模块以及预测模块；

所述特征提取模块基于探索函数和保持函数构建，用于提取所述输入图像的多尺度特征；

所述融合模块基于特征融合函数和反卷积函数构建，用于调整所述多尺度特征的通道数并对所述多尺度特征进行融合；

所述聚合模块基于卷积函数构建，用于调整进行融合后的多尺度特征的空间关系；

所述预测模块基于卷积函数和损失函数构建，用于检测物体的尺寸，输出物体的类别置信度和坐标位置；

其中，

所述特征提取模块提取所述输入图像的多尺度特征的方法为：

所述特征提取模块的探索函数对所述输入图像的中间特征进行第一下采样操作，得到第一尺度特征；

所述特征提取模块的保持函数对所述输入图像的中间特征进行第二下采样操作，得到第二尺度特征；

将所述第一尺度特征和所述第二尺度特征进行拼接操作，得到所述输入图像的多尺度特征。

2.根据权利要求1所述的方法，其特征在于，所述融合模块对所述多尺度特征进行融合的方法为：

对所述多尺度特征进行反卷积上采样操作，得到第三尺度特征；

利用特征融合函数对所述第三尺度特征和所述多尺度特征进行融合操作，得到融合特征。

3.根据权利要求2所述的方法，其特征在于，“对所述第三尺度特征和所述多尺度特征进行融合操作”，其方法如下公式所示：

r_k＝S_k(U_k(r_k+1),y_k)

其中，r_k表示融合特征，S_k表示特征融合函数，U_k表示反卷积上采样函数，y_k表示多尺度特征，k表示中间变量。

4.根据权利要求3所述的方法，其特征在于，聚合模块调整进行融合后的多尺度特征的空间关系的方法为：

对所述融合特征进行卷积操作，具体方法如下公式所示：

若所述融合特征的尺度小于5，则无需进行卷积操作，若所述融合特征的尺度大于或等于5，则通过拼接经过4步卷积操作之后的所述融合特征得到聚合特征，其中，r_k表示融合特征，表示以1×1的卷积核对r_k进行填充为0的卷积操作；表示以3×3的卷积核对r_k进行填充为1的卷积操作；表示对r_k进行3×3的池化操作，再以1×1的卷积核对r_k进行填充为0的卷积操作；表示以2个连续的3×3的卷积核对r_k进行填充为1的卷积操作，表示所述聚合模块对所述融合特征进行卷积操作后得到的聚合特征，size(r_k)表示所述融合特征的尺度。

5.根据权利要求1-4任一项所述的方法，其特征在于，获取物体的类别置信度和坐标位置，其方法如下公式所示：

其中，N表示正样本的个数，L_cls表示分类任务的损失函数，L_loc表示坐标回归任务的损失函数，和分别表示深度学习网络模型输出的类别置信度和坐标位置，c和l分别表示标准的类别置信度和坐标位置。

6.根据权利要求5所述的方法，其特征在于，获取物体的类别置信度之后，该方法还包括：

将所述物体的类别置信度输入softmax函数，得到物体的分类结果。