[发明专利]一种基于新型特征金字塔网络的图像目标检测方法

权利要求书

1.一种基于新型特征金字塔网络的图像目标检测方法，其特征在于，包括以下步骤：

S1、采用金字塔池化模块对输入特征金字塔网络的最高等级的特征图C₅进行处理，得到包含不同大小区域上下文信息的多尺度特征；

S2、采用1x1卷积层对输入的所有等级特征图进行降维，使所有特征图通道维度为256；

S3、对所有等级的特征图进行平均池化处理，使所有特征图分辨率大小与最高等级的特征图C₅的大小保持一致，得到特征图C′_i，其中i＝2,3,4,5；

S4、将池化处理后的所有特征图送入两个串联的1x1卷积层，计算位置权重；

S5、采用最近邻插值法将位置权重上采样为相应等级的特征图大小，得到位置权重图；

S6、对所有等级特征图进行位置加权，得到位置加权后的特征图；

S7、采用最近邻插值法自上而下地缩放各等级特征图到相邻等级特征图大小并相加融合，同时采用3x3卷积对位置加权后的最高等级特征图进行处理，得到用于预测的五个不同等级的特征图；

S8、在步骤S7得到的五个不同等级的特征图上预测即可得到目标检测结果。

2.根据权利要求1所述的一种基于新型特征金字塔网络的图像目标检测方法，其特征在于，所述步骤S1具体包括：

S1-1、将最高等级的特征图C₅分别划分为1x1、2x2、3x3、6x6大小的子区域并进行平均池化，得到4个不同大小的输出特征图；

S1-2、将步骤S1-1得到的4个特征图分别送入1x1卷积层减少通道数至256；

S1-3、采用最近邻插值法将减少通道数后的特征图上采样至C₅大小，并与C₅拼接得到最终的输出特征图。

3.根据权利要求1所述的一种基于新型特征金字塔网络的图像目标检测方法，其特征在于，所述步骤S4中，位置权重计算公式如式(1)所示：

W_i＝σ(F₂(δ(F₁(C′_i)))) (1)

式(1)中，C′_i表示经过降维和平均池化处理的所有等级特征图，其中i＝2,3,4,5，W_i表示计算得到的位置权重，F₁和F₂表示1x1卷积层，定义如式(2)，σ为Sigmoid激活函数，定义如式(3)，δ为ReLU激活函数定义如式(4)；

式(2)中，w₁为1x1大小的卷积核，x为输入图像，为卷积运算；

δ(x)＝max(0,x) (4)。

4.根据权利要求1所述的一种基于新型特征金字塔网络的图像目标检测方法，其特征在于，所述步骤S6中，位置加权的计算公式如式(5)所示：

P_i＝W′_i⊙C_i (5)

式(5)中，P_i表示位置加权后的特征图，W′_i表示位置权重图，i＝2,3,4,5，⊙表示元素级相乘。

5.根据权利要求1所述的一种基于新型特征金字塔网络的图像目标检测方法，其特征在于，所述步骤S7中，3x3卷积计算公式如式(6)所示：

式(6)中，w₃为3x3大小的卷积核，步长为2，P₅为位置加权后的最高等级特征图，P₆为对P₅进行3x3卷积后得到的新的最高等级特征图，为卷积运算。