[发明专利]一种特征复用的多知识学习目标检测方法

权利要求书

1.一种特征复用的多知识学习目标检测方法，其特征在于，该方法包括以下步骤：

步骤一、建立目标检测图像数据库：利用COCO2017公开数据集建立目标检测图像数据库，目标检测图像数据库的图像数据不少于2000张，将目标检测图像数据库分为训练集和测试集；

步骤二、构建特征复用的特征融合网络，过程如下：

步骤201、将ResNet、ResNeXt、EfficientNet或DarkNet作为主干网络，主干网络包括一级特征P1、二级特征P2、三级特征P3、四级特征P4、五级特征P5、六级特征P6和七级特征P7；

步骤202、设定主干网络的超参数确定三级特征P3、四级特征P4、五级特征P5、六级特征P6和七级特征P7的block的数量；

步骤203、采用三级特征P3、四级特征P4、五级特征P5、六级特征P6和七级特征P7构建特征复用的特征网络；

根据公式构建三级特征P3的第i个block的输出其中，为三级特征P3的第j个权重参数，j取1、2、3、4、5，f₁为下采样，ε为修正常数，为七级特征P7的第i个block的输入，为六级特征P6的第i个block的中间特征，为五级特征P5的第i个block的中间特征，为四级特征P4的第i个block的中间特征，为三级特征P3的第i个block的输入，conv(·)为卷积运算；

根据公式构建四级特征P4的第i个block的输出其中，为四级特征P4的第α个权重参数，α取1、2、3，f₂为上采样，为四级特征P4的第i个block的输入；

根据公式构建五级特征P5的第i个block的输出其中，为五级特征P5的第β个权重参数，β取1、2、3、4，为五级特征P5的第i个block的输入；

根据公式构建六级特征P6的第i个block的输出其中，为六级特征P6的第γ个权重参数，γ取1、2、3、4、5，为六级特征P6的第i个block的输入；

根据公式构建七级特征P7的第i个block的输出其中，为七级特征P7的第η个权重参数，η取1、2、3、4、5；

步骤三、训练特征复用的特征融合网络，过程如下：

步骤301、从训练集中调取一张目标检测图像，并输入至特征复用的特征融合网络中，获取目标检测图像的多张不同大小和比例的特征图；

步骤302、将多张不同大小和比例的特征图分别与该张目标检测图像事先标记好的真框图像计算交并比IoU，当交并比IoU大于0.7时，对应的特征图为正样本，否则对应的特征图为负样本；

步骤303、将步骤302中获取的正负样本同时送入分类网络和属性监督网络中，步骤302中获取的正负样本送入分类网络获取第一正样本集合，步骤302中获取的负样本送入属性监督网络获取第二正样本集合，第一正样本集合和第二正样本集合取并集，获取最终正样本集合；

将最终正样本集合送入回归网络对目标检测图像的目标进行框选；

步骤304、选取Focal loss与IoU loss分别作为特征复用的特征融合网络的损失目标函数和回归网络的损失目标函数，并利用最终正样本集合和该张目标检测图像事先标记好的真框图像计算损失值，将两个损失目标函数计算的损失值送入优化器，对特征复用的特征融合网络的权重参数集合和回归网络的权重参数集合更新；

步骤305、从训练集中调取新的一张目标检测图像，循环步骤301至步骤304，直至特征复用的特征融合网络的损失目标函数和回归网络的损失目标函数计算的损失值小于损失目标函数阈值，此时，得到特征复用的特征融合网络的最终权重参数训练结果和回归网络的最终权重参数训练结果，并确定最终训练完成的特征复用的特征融合网络和回归网络；

步骤四、测试特征复用的特征融合网络：利用测试集对特征复用的特征融合网络进行测试；

步骤五、特征复用的多知识学习目标检测：将一张同类型的实际目标检测图像送入至训练好的特征复用的特征融合网络中获取实际目标检测图像的多张不同大小和比例的特征图；

将特征图同时送入分类网络和属性监督网络中，分类网络输出实际第一正样本集合，属性监督网络获取实际第二正样本集合，实际第一正样本集合和实际第二正样本集合取并集，获取实际最终正样本集合；

将实际最终正样本集合送入回归网络对实际目标检测图像的目标进行框选，实现目标检测。