[发明专利]一种基于改进的RetinaNet小目标检测方法

权利要求书

1.一种基于改进的RetinaNet小目标检测方法，其特征在于，包括以下步骤：

步骤1：特征提取主干网络采用Resnet-101，包括Conv1、Conv2_x、Conv3_xConv4_x、Conv5_x(简记C1,C2,C3,C4,C5)五个不同尺度的采样层，将每层最后一个残差块的输出特征图利用1×1的卷积进行通道数统一，统一后的特征图分别记为M2，M3，M4，M5；

步骤2：将M5经过3×3卷积消除融合带来的混叠效应，生成特征金字塔的最顶层特征层，记作P5，将M5经两倍上采样，与M4逐像素相加，再经过3×3卷积消除融合带来的混叠效应生成特征图，记为P4；

步骤3：将C5和C4经过1×1卷积处理后的特征层分别进行两次和一次双线性插值，并与C3进行通道拼接得到全新的多层特征F3，并将通道重新排列，然后利用1×1卷积减少特征通道数，并将其与经过上采样的M4逐像素相加融合，得到P3；

步骤4：将P₃通过语义内容提取器进行提取，将提取到的特征信息通过接着通过超分辨SR处理可以将内容提取器提取到的特征的分辨率提升一倍，其尺寸大小在操作完成后与M₂的尺寸大小一致，接着将P3与M2进行融合得到P2，通过纹理提取器进行进一步提取，并与超分辨SR处理的输出结果进行融合，得到最终的P2；

步骤5：在FPN上每个检测层分别对应一个检测子网络，子网络包含两个分支，分别用于分类与回归，每个检测层分别使用1：1、1：2、2：1三种长宽比及三种尺寸的anchor，即9种anchor，检测时每一层只选取分数最高的1000个实例做NMS来完成最终的检测。

2.如权利要求1所述方法，其特征在于，步骤3中的尺寸改变方法为双线性插值。

3.如权利要求1所述方法，其特征在于，步骤4中的下超分辨SR方法为亚像素卷积。