[发明专利]结合ResNet和SENet的低分辨率行人检测方法、系统及存储介质

权利要求书

1.结合ResNet和SENet的低分辨率行人检测方法，其特征在于，包括训练过程和测试过程，所述训练过程包含以下步骤：

步骤11、确定所需的行人数据集，把数据集按照一定的比例划分为训练集和测试集，将训练集转化为合适的输入格式用于模型训练；

步骤12、确定模型训练过程所需的预训练模型，在预训练模型的基础上进行训练，确定训练过程的训练参数；训练参数包括训练的总迭代次数、模型迭代的批处理大小、学习率；

步骤13、按照设定的批处理大小将小批量训练数据送入已训练的基础网络，经过基础网络逐层的语义信息抽取后，由基础网络的多尺度检测框架进行特征提取，通过基础网络的浅层网络提取低分辨率行人的特征，通过基础网络的深层网络提取高分辨率行人的特征；

步骤14、通过浅层特征重构层将多尺度检测框架中深层网络的特征信息叠加到浅层网络的特征中，对多尺度检测框架中浅层网络的特征层进行重构；

步骤15、对浅层特征重构层进行特征增强操作，将增强后的重构层代替原始多尺度检测框架中最浅层网络的特征提取层，与其他的特征提取层重新组合形成新的多尺度检测框架；

步骤16、对新的多尺度检测框架进行分类和回归，求得行人的类别和位置；

步骤17、计算训练损失，并将训练损失进行反向传播，更新权重参数；

步骤18、判断是否完成训练的总迭代次数，若完成总迭代次数，则终止模型的训练；否则返回步骤13继续训练；

所述测试过程包含以下步骤：

步骤21、确定测试集并转化为合适的输入格式用于模型测试；

步骤22、将训练过程训练得到的模型作为测试模型，确定测试过程的批处理大小；

步骤23、按照设定的批处理大小将小批量测试数据送入测试基础网络，经过基础网络逐层的语义信息抽取后，由基础网络的多尺度检测框架进行特征提取，通过基础网络的浅层网络提取低分辨率行人的特征，通过基础网络的深层网络提取高分辨率行人的特征；

步骤24、通过浅层特征重构层将多尺度检测框架中深层网络的特征信息叠加到浅层网络的特征中，对多尺度检测框架中浅层网络的特征层进行重构；

步骤25、对浅层特征重构层进行特征增强操作，将增强后的重构层代替原始多尺度检测框架中最浅层网络的特征提取层，与其他特征提取层重新组合形成新的多尺度检测框架；

步骤26、对新的多尺度检测框架进行分类和回归，求得行人的类别和位置；

步骤27、若测试图片取完，则完成模型的测试；否则返回步骤23继续测试；

步骤15或步骤25中，采用SENet对浅层特征重构层进行增强，增强过程的步骤为：

首先进行Squeeze操作，顺着空间维度来进行特征压缩，将每个二维的特征通道变成一个实数，这个实数具有全局的感受野，并且输出的维度和输入的特征通道数相匹配；其次进行Excitation操作，通过参数来为每个特征通道生成权重，显式地建模特征通道间的相关性；最后进行Reweight的操作，将Excitation输出的权重看做是经过特征选择后的每个特征通道的重要性，然后通过乘法逐通道加权到先前的特征上，完成在通道维度上的对原始特征的重标定。

2.根据权利要求1所述的低分辨率行人检测方法，其特征在于，训练过程所使用的网络和测试过程所使用的网络结构相同。

3.根据权利要求1所述的低分辨率行人检测方法，其特征在于，步骤14或步骤24中，在进行浅层网络的特征重构时，将深层网络的特征进行反卷积操作，使其与浅层网络的特征图大小相同，再把两个特征图进行叠加得到重构的特征图。

4.根据权利要求1所述的低分辨率行人检测方法，其特征在于，步骤17所述的训练损失包括分类损失和回归损失，其中分类损失采用Softmax Loss函数，回归损失采用Smooth L1Loss函数。

5.根据权利要求1所述的低分辨率行人检测方法，其特征在于，步骤17采用SGD方法对网络的权重参数进行更新。