[发明专利]基于多任务的智能自主视觉导航与目标检测方法

权利要求书

1.一种基于多任务的智能自主视觉导航与目标检测方法，其特征是，步骤如下：

以相机作为感知设备，摄取输入图像；

利用共享的主干神经网络，对输入图像进行特征提取，将结果输入后续分支网络；

利用视觉导航任务分支网络，接收共享的主干网络得到的特征图，经过卷积进行特征提取，最后使用两个全连接分类器进行分类，分别得到导航方向和碰撞概率；

利用目标检测分支网络接收共享的主干网络得到的特征图，目标检测分支网络的大物体检测分支对得到的10×10大小的特征图进行特征提取，之后使用检测器进行检测；小物体分类器使用跨层连接结合不同尺度的特征图，特征提取后使用检测器在20×20大小的特征图上进行检测。

2.如权利要求1所述的基于多任务的智能自主视觉导航与目标检测方法，其特征是，目标检测分支网络利用特征金字塔网络FPN，将具有丰富特征的高层特征图上采样，通过跨层连接和低层特征图结合的方法进行检测。

3.如权利要求1所述的基于多任务的智能自主视觉导航与目标检测方法，其特征是，其中，主干神经网络为卷积层、池化层交替结构，最后通过3个卷积层输出到大物体检测器；视觉导航任务分支网络包括卷积层、池化层；目标检测分支网络包括卷积层、上采样模块、contat拼接模块，输出到小物体检测器。

4.如权利要求1所述的基于多任务的智能自主视觉导航与目标检测方法，其特征是，训练步骤如下：主干网络读取预训练参数，首先冻结视觉导航分支参数，训练主干网络和目标检测分支100个epoch，Epoch就是将所有训练样本训练一次的过程，训练中前50个epoch只训练随机初始化参数的层，学习率0.001，后50个epoch微调主干网络和目标检测分支，学习率10^(-4)；之后冻结主干网络和目标检测分支参数，训练视觉导航分支参数50个epoch，学习率0.001，衰减系数10^(-5)；优化器均选用Adam优化器。