申请/专利权人：江南大学

申请日：2020-09-30

公开（公告）日：2024-04-09

公开（公告）号：CN112163530B

主分类号：G06V10/764

分类号：G06V10/764;G06V10/25;G06V10/75;G06V10/771;G06V10/774;G06V10/82;G06N3/045;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.09#授权;2021.01.19#实质审查的生效;2021.01.01#公开

摘要：基于特征增强和样本选择的SSD小目标检测方法，属于目标检测技术领域。SSD对小目标的检测效果还有待提高，本申请提出了新的特征增强模块，更好地利用目标的周围信息，提升小目标的辨识能力。同时，本发明采用了最新的自适应训练样本选择算法替代原本SSD的样本选择方法，自适应地选择阈值。本发明采用了这两种方法改进SSD算法，显著地提升了小目标的检测效果。

主权项：1.基于特征增强和样本选择的SSD小目标检测方法，其特征在于，步骤如下：步骤一、使用训练数据集进行训练；步骤二、将图片大小设置为300x300，经过图像增强之后输入到SSD中；步骤三、在原始SSD结构的基础上，在产生的六层特征图后，仅对前五层接入了特征增强模块FM；得到前五层特征图经过特征增强模块FM的输出，然后同最后一层特征图一起进行预测；特征增强模块FM能够联系上下文的信息，增大感受野，特征增强模块FM采用的卷积核的大小为3X3，特征增强模块FM在卷积之后使用BN对数据进行归一化，调整数据的分布，加速训练；特征增强模块FM使用了Mish函数作为激活函数，表达式如下：gz＝z*tanhz*ln1+ez8其中，gz表示输出，z表示输入；步骤四、对于步骤三处理后的特征图，使其生成默认框；步骤五、将默认框与真实框进行匹配，采用自适应的训练样本选择策略ATSS进行正负样本选择，从而选择匹配的默认框，根据默认框的统计特征确定IOU阈值，自适应地为每个真实框确定阈值，以此来划分正样本和负样本；自适应的训练样本选择策略ATSS的具体过程如下：算法的输入有G、L、Ai、A、k；G表示图像中所有真实框的集合；L表示特征图的个数；Ai是第i个特征图默认框的集合；A是所有默认框的集合；k表示从每个特征图选择的默认框数量；算法的输出有P、N；P表示正样本；N表示负样本；1为每一个真实框g，g∈G，产生一个空集合2对于每一层特征图i，i∈[1,L]，以L2距离为依据从Ai选择k个中心距离g最近的默认框，挑选出来的默认框记为S，合并到Cg中，即Cg＝Cg∪S；3计算Cg和g的IOU，记为Dg；4计算Dg的均值，记为mg；5计算mg的方差，记为vg；6对于每一个真实框g确定新的正例选择阈值，记为tg，其中tg＝mg+vg；7对于每一个候选框o，o∈Cg，若其与真实框g的IOU大于阈值tg并且中心在真实框g内部，则作为正例进行保留，记为P，其余的作为负样本，记为N，其中N＝A-P；8返回正样本P，负样本N；步骤六、将置信度大于0的默认框作为正例，其余的作为负例；采用难例挖掘算法，对正负样本按比例进行保留；步骤七、送入SSD头部进行预测；步骤八、计算位置损失和置信度损失，使用SGD优化器；步骤九、反复迭代得到最终的权值文件；步骤十、加载权值文件，在测试数据集进行测试。

全文数据：

权利要求：

百度查询： 江南大学 基于特征增强和样本选择的SSD小目标检测方法

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。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD