[发明专利]一种多尺度目标检测方法及系统

说明书

本发明涉及一种多尺度目标检测方法及系统，该方法包括：构建空洞金字塔网络模型；空洞金字塔网络模型包括依次连接的多个卷积模块和多个卷积支路，各卷积模块的输出分别连接一个卷积支路，卷积支路包括一个卷积操作和多个空洞卷积操作，卷积支路中的卷积操作和空洞卷积操作为并列关系；一个卷积支路中多个空洞卷积操作的扩张率相同，卷积核尺寸不同；卷积支路的输出按照分辨率从低到高，依次将各第一特征图进行上采样操作后与同尺寸的相邻第一特征图进行元素级相加，获得多个融合特征图；根据目标检测数据集对空洞金字塔网络模型进行模型训练，获得目标检测模型；利用目标检测模型对待检测图像进行目标检测。本发明提高了目标检测的准确性。

技术领域

本发明涉及目标检测技术领域，特别是涉及一种多尺度目标检测方法及系统。

背景技术

目标检测技术是计算机视觉领域的一大核心研究方向，旨在获取图像中感兴趣目标的所属分类和所在位置。该技术不仅是目标跟踪、语义分割等诸多计算机视觉任务的研究基础，也被广泛应用于医学诊断、自动驾驶、智能视频监控、军事目标监测等多种民用和军用领域。随着应用场景的多元化和复杂化，一张待检图像中往往包含了多个不同尺度的目标，这使得现阶段的目标检测任务面临着尺度差异带来的严峻挑战。多尺度目标检测也因此成为了目标检测领域的研究热点之一。

作为解决尺度问题的主流算法，多尺度特征融合技术通过构建特征金字塔网络将卷积神经网络中包含更多细节信息的浅层特征图与包含更多语义信息的深层特征图进行融合，使得各个特征层同时具有丰富的细节特征和语义特征，从而有效提升神经网络的特征表达能力。但现有多尺度特征融合方法的不足之处在于，每个特征层虽然包含丰富的特征信息，但各个特征层仅对固定尺度范围内的目标敏感，不仅使得特征信息的利用率不高，也限制了网络的各个特征层对不同尺度目标的检测能力。

发明内容

本发明的目的是提供一种多尺度目标检测方法及系统，提高了目标检测的准确性。

为实现上述目的，本发明提供了如下方案：

一种多尺度目标检测方法，包括：

采集目标检测数据集；

构建空洞金字塔网络模型；所述空洞金字塔网络模型包括依次连接的多个卷积模块和多个卷积支路，各卷积模块包括卷积操作，各卷积模块的输出分别连接一个卷积支路，所述卷积支路包括一个卷积操作和多个空洞卷积操作，所述卷积支路中的卷积操作和空洞卷积操作为并列关系；一个所述卷积支路中多个空洞卷积操作的扩张率相同，卷积核尺寸不同；所述卷积支路中的一个卷积操作和多个空洞卷积操作输出的特征图采用元素级加和操作，获得第一特征图；按照分辨率从低到高的顺序依次将各所述第一特征图进行上采样操作后与同尺寸的相邻第一特征图进行元素级相加，获得多个融合特征图；

根据所述目标检测数据集对所述空洞金字塔网络模型进行模型训练，获得目标检测模型；

利用所述目标检测模型对待检测图像进行目标检测。

可选地，各所述卷积模块的输出经过卷积核为1*1的卷积层后输入所述卷积支路。

可选地，所述空洞金字塔网络模型还包括区域建议网络，各所述融合特征图输入所述区域建议网络，所述区域建议网络分别输出与各所述融合特征图对应的候选区域。

可选地，所述空洞金字塔网络模型还包括ROI池化层和检测头，所述ROI池化层的输入连接所述区域建议网络的输出，所述ROI池化层的输出连接所述检测头，所述检测头用于输出检测结果。

可选地，所述卷积支路包括一个卷积核为1*1的卷积操作和2个空洞卷积操作。

可选地，2个空洞卷积操作分别为第一空洞卷积操作和第二空洞卷积操作；第一空洞卷积操作为卷积核为3*3的空洞卷积操作，扩张率为2；第二空洞卷积操作为卷积核为5*5的空洞卷积操作，扩张率为2。