[发明专利]一种基于邻近尺度特征滤除与转移的物体检测方法

权利要求书

1.一种基于邻近尺度特征滤除与转移的物体检测方法，主要包含下列步骤：

第一步，收集包含各种不同类别物体的图像，并标注每张图像中的所有感兴趣物体，标注内容为每一个物体的坐标位置，每一个物体的类别，每一张图像的语义分割结果，以其作为图像标签信息；将收集的图像划分为训练集，验证集和测试集，训练集用于训练卷积神经网络，验证集用于选择最佳的训练模型，测试集为后续测试模型效果或者实际应用时使用；

第二步，设计物体检测主干卷积神经网络，基于该主干卷积神经网络，提取多层级的物体特征，其中浅层特征包含所有尺度物体的特征，中层特征包含中尺度与大尺度物体特征，深层特征包含大尺度的物体特征，方法如下：

（1）主干卷积神经网络包括卷积层、池化层、归一化层、非线性激活层；提取网络的多层级金字塔特征K1-K3，该特征为尺度无关特征，K1中包含大中小三种尺度物体的特征，K2中只包含大中尺度物体的特征，K3中只包含大尺度物体的特征；

（2）利用K2特征，经过注意力模块，生成大中尺度注意力，其在特征图中关注大中尺度物体的信息，注意力模块包含卷积层、上采样层和Sigmoid激活函数层；将该注意力与K1特征进行逐元素相乘得到K1中所包含的大中尺度物体的特征N；

（3）采用包含特征相减、卷积操作在内的特征滤除模块E，从K1中滤除大中尺度物体特征N，得到小物体特征S1；

（4）包含特征相加、并联、卷积融合操作的采用特征转移模块T，将大中尺度物体特征N与K2融合得到增强后的大中尺度物体特征K2’；

（5）在K2’和K3上采用特征滤除模块E与特征转移模块T，得到中尺度物体敏感的特征S2与大尺度物体敏感特征S3；

（6）根据所得到的尺度敏感特征S1-S3，设计三种尺度对应的检测子，回归和分类对应尺度的物体所述检测子包含卷积层、ReLU和 Softmax层；

第三步，输入数据，前向计算预测结果和损失代价，通过反向传播算法计算参数的梯度并更新参数；迭代的更新参数，待代价函数曲线收敛时，模型训练完毕，方法如下：

（1）前向计算：

a) 将训练图像输入网络中，通过主干子网络的各层计算，得到多层级特征K1-K3；

b)经过特征滤除模块E与特征转移模块T，生成尺度敏感的特征S1-S3；

c) 基于尺度敏感特征S1-S3，计算每一个尺度检测子的预测结果；

d) 根据预测结果和真实标签，计算物体框的回归损失与类别分类损失，并计算总损失L.

（2）反向传播：

通过反向传播算法，计算每一层参数的梯度，采用梯度下降法更新该网络中的所有可学习的参数；

（3）迭代训练：

迭代的进行上述的（1）前向传播和（2）反向传播过程，不断的更新参数，停止标准选择损失函数的损失值趋近于收敛，停止迭代信号；

第四步，将训练好的模型应用于测试或实际应用中，当输入图像时，通过该模型计算得到图像的检测结果，即物体的位置和类别信息。