[发明专利]一种基于合成数据集的目标检测方法

说明书

本发明公开了一种基于合成数据集的目标检测方法，在3ds MAX软件中给待检测目标的三维模型添加真实环境图片作为背景贴图进而建立三维场景，渲染生成所需数量的合成图像，并自动完成对图像类别和标注框的标记，进而完成合成数据集构建；采用合成数据集作为训练集，对目标检测网络进行训练；训练完成后用于进行目标检测。使用本发明可以低成本快速获取任何目标的标注数据集，解决了真实数据集标注成本高，特定场景下真实数据无法获取的问题。进一步地，所设计的目标检测网络加入了SOMConv层，能够提高网络对真实数据的识别能力。

技术领域

本发明属于目标检测领域，涉及目标检测中的合成数据集的构建及适用于合成数据集的目标检测方法。

背景技术

在目标检测任务中，基于深度学习的目标检测算法已经完全超越了基于非深度学习方法的目标检测算法，成为主流目标检测算法。但是基于深度学习的目标检测算法依赖于大规模的标注数据集。

目标检测数据集构建是目标检测任务中的一项关键技术。目标检测数据集的样本容量大小及种类多少很大程度上决定目标检测算法的效果。目标检测数据集构建过程中，会获取大量待检测目标图片，然后对获取到的图片进行数据标注，数据标注过程中将图片中的每个物体找出给出其对应类别，并把每个物体用框标注。数据集构建的数据标标注工作较为繁琐，成本较高，目标检测算法研究多在公开数据集上进行，公开数据集提供了大量标注图片，节省了研究成本，但是在解决特定任务时，由于公开数据集的种类较少不能满足特定需求。同时在某些特定场景下，如自动驾驶中的危险场景、某些非公开目标，此时目标图像难以获取，数据获取成本较高。因此如何快速获取待检测目标图像，进行数据标注进而完成目标检测数据集构建是目标检测任务目前亟待解决的问题之一。

发明内容

有鉴于此，在大量标注数据集获取成本较高，特定场景下数据集难以获取的情况下，本发明提出了一种利用计算机图形学方法生成大量合成图像，并对合成图像进行自动标注构建合成图像数据集的方法。

同时，由于合成图像数据集与待检测真实目标存在一定的差异，本发明针对合成数据集作为训练集的情况设计了一种命名为SOM R-CNN的目标检测方法，该SOM R-CNN目标检测方法通过引入竞争机制，构建SOMConv层，使其适用于合成图像数据集，进而提高检测效果。

为了解决上述技术问题，本发明是这样实现的：

一种基于合成数据集的目标检测方法，包括：

步骤一、3ds MAX软件将待检测目标的三维模型和真实环境图片组合，通过渲染生成所需数量的合成图像，并进行目标类别和位置的标注，得到合成数据集；

步骤二、采用合成数据集作为训练集，对目标检测网络进行训练：

所述目标检测网络的构建方式为：将自组织特征映射网络与卷积层结合，构建SOMConv层；所述SOMConv层对输入的特征图进行卷积并计算激活值，得到特征图；对不同特征图上处在同一位置的激活值进行由大到小的排序，前n个特征保持大小不变，其余特征全部设定为0；n为正整数；

将SOMConv层加入Faster R-CNN网络的分类定位网络中，加入位置在分类定位网络的特征提取网络内且位于第一个卷积层之后，形成SOM R-CNN网络，即所述目标检测网络；

步骤三、待检测图像输入训练完成的SOM R-CNN网络，获得检测结果。

较佳地，步骤二中，所述n的取值为前一层卷积层输出的特征图数目乘以SOMConv层给定的比率p。

较佳地，所述SOM Conv层设置在特征提取网络的第二层。

较佳地，所述步骤一为：

在3ds MAX软件中给待检测目标的三维模型添加真实环境图片作为背景贴图进而建立三维场景，渲染生成所需数量的合成图像；