[发明专利]一种改进DSOD网络的方法

摘要

本发明涉及一种改进DSOD网络的方法，首先对输入图像进行预处理，将预处理后的图像输入到DSOD特征提取子网络中，在特征提取子网络的第二个转接层后加入RFB_a网络模块，经过RFB_a网络中不同采样步长的Atrous卷积提取具有不同感受野的特征，在特征提取子网络后加入采样步长为6的Atrous卷积层，将Atrous卷积层产生的特征输入到多尺度预测层中，将多尺度预测层输入到损失函数中，在损失函数中加入IOG惩罚项，防止在预测密集的同类型目标时出现同类预测框重叠。同时，在训练阶段采用预热策略设置学习率，通过设置合适的批样本大小，降低了训练网络的硬件设备要求。本发明相对于原DSOD算法具有更高的检测精度，提高了对小目标的检测能力，同时降低了训练网络的硬件设备要求。

主权项

1.一种改进DSOD网络的方法，其特征在于：包括以下步骤：步骤S1：获取数据集中的图像作为输入图像，并将输入图像输入到输入层；对输入图像进行裁剪、镜像和去均值化预处理，得到预处理后的图像，同时利用归一化方法将预处理后的图像中的绝对坐标转换成相对坐标；步骤S2：在DSOD网络中的特征提取子网络的第二个转接层后加入RFB_a网络模块；将步骤S1中预处理后的图像输入到DSOD网络中的特征提取子网络进行特征提取；将DSOD网络中的特征提取子网络中的第二个转接层的特征图输入到RFB_a网络模块中，经过RFB_a网络模块中不同采样步长的Atrous膨胀卷积，提取具有不同感受野的特征；所述提取的不同感受野特征输入到3×3卷积层中，形成DSOD网络的第一个尺度预测层；步骤S3：将有预设采样步长的Atrous卷积层加入到所述DSOD网络中的特征提取子网络后，并将步骤S2中所述特征提取子网络的特征图输入到具有预设采样步长的Atrous卷积层中，用以增大特征图的感受野；同时，将Atrous卷积层产生的特征输入到DSOD网络中的多尺度预测层中，形成5个尺度预测层；步骤S4：将步骤S2中所述的DSOD网络的第一个尺度预测层和步骤S3所述的5个尺度预测层的特征输入到加入IOG惩罚项的多任务损失函数L中；步骤S5：通过预热策略设置学习率，利用梯度下降算法优化所述DSOD网络中的所有网络层的权值；设置合适的样本大小，用以降低训练DSOD网络的硬件设备要求。