[发明专利]一种基于深度学习的小目标特征表示增强方法在审
| 申请号： | 201910886472.4 | 申请日： | 2019-09-19 |
| 公开（公告）号： | CN110782420A | 公开（公告）日： | 2020-02-11 |
| 发明（设计）人： | 姜明;何利飞;张旻;李鹏飞;汤景凡 | 申请（专利权）人： | 杭州电子科技大学 |
| 主分类号： | G06T5/50 | 分类号： | G06T5/50 |
| 代理公司： | 33240 杭州君度专利代理事务所(特殊普通合伙) | 代理人： | 杨舟涛 |
| 地址： | 310018 浙*** | 国省代码： | 浙江;33 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | 本发明公开了一种基于深度学习的小目标特征表示增强方法。本发明步骤如下：步骤1、在包含超过1400万张图像，涵盖20000个类别的超大规模数据库上预训练神经网络模型Faster R‑CNN；步骤2、读取输入的图像数据；步骤3、通过卷积神经网络生成特征图，建立特征图空间金字塔；步骤4、从注意力机制模块中获得特征图权重；步骤5、按照获得的权重融合了来自不同层次的特征图；步骤6、对特征图进行了检测和定位；步骤7、针对指定任务重复步骤3到6继续训练神经网络模型，直至网络达到最优值。我们的方法增强了显著特征的影响，并且有效地结合了深层语义和浅层高分辨率的卷积神经网络特征，因此提高了整体目标检测精度。 | ||
| 搜索关键词： | 特征图 卷积神经网络 训练神经网络 权重 读取 检测和定位 小目标特征 注意力机制 语义 图像数据 显著特征 整体目标 分辨率 有效地 金字塔 数据库 图像 涵盖 融合 检测 重复 网络 学习 | ||
【主权项】：
1.一种基于深度学习的小目标特征表示增强方法，其特征在于实现步骤如下：/n步骤(1)首先在包含超过1400万张图像，涵盖20000个类别的超大规模数据库上预训练神经网络模型Faster R-CNN；/n步骤(2)读取输入的图像数据；/n步骤(3)通过卷积神经网络生成特征图，建立特征图空间金字塔；/n步骤(4)从注意力机制模块中获得特征图权重；/n步骤(5)按照获得的权重融合了来自不同层次的特征图；/n步骤(6)对特征图进行了检测和定位；/n步骤(7)针对指定任务重复步骤(3)到(6)继续训练神经网络模型，直至网络达到最优值。/n
下载完整专利技术内容需要扣除积分，VIP会员可以免费下载。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于杭州电子科技大学，未经杭州电子科技大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/patent/201910886472.4/，转载请声明来源钻瓜专利网。
