申请/专利权人:齐鲁工业大学
申请日:2020-06-09
公开(公告)日:2020-09-15
公开(公告)号:CN111666956A
主分类号:G06K9/46(20060101)
分类号:G06K9/46(20060101);G06K9/62(20060101);G06N3/04(20060101);G06N3/08(20060101)
优先权:
专利状态码:在审-实质审查的生效
法律状态:2020.10.13#实质审查的生效;2020.09.15#公开
摘要:本发明公开了一种多尺度特征提取及融合方法及装置,属于特征提取及融合,要解决的技术问题为如何在减少噪声和冗余数据的前提下,实现多尺度特征提取和融合。方法,通过多个FasterR‑CNN深度学习网络进行多尺度特征提取,得到多组不同的特征集,并对上述多组不同的特征集进行DCA特征融合,所述每个特征集均包括多个维度相同的特征向量。装置用于通过上述一种多尺度特征提取及融合方法进行多尺度特征提取和融合,所述装置包括特征提取模块和特征融合模块。相较于传统的特征提取和特征融合方法,鲁棒性更好,提高了目标检测的准确率,解决了单一尺度特征可能造成检测误差的问题。
主权项:1.一种多尺度特征提取及融合方法,其特征在于通过多个不同的FasterR-CNN深度学习网络进行多尺度特征提取,得到多组不同的特征集,并对上述多组不同的特征集进行DCA特征融合,所述每个特征集均包括多个维度相同的特征向量;所述方法包括如下步骤:将原图片分别输入每个学习网络,每个学习网络均为FasterR–CNN深度学习网络,包括卷积层网络、RPN网络以及FastR-CNN网络;每个学习网络中,通过卷积层对原图片进行提取,得到特征图,通过RPN网络对特征图进行目标检测及精确定位,得到候选框,并通过FastR-CNN网络中RoI池化层对候选框进行最大池化操作,输出一组包括多个维度相同的特征向量的特征集;将提取的多组不同的特征集进行DCA特征融合,使得类内的相关性最大化、类间的相关性最小,得到融合矩阵。
全文数据:
权利要求:
百度查询: 齐鲁工业大学 一种多尺度特征提取及融合方法及装置
免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。