申请/专利权人：湖北工业大学

申请日：2021-08-13

公开（公告）日：2024-04-26

公开（公告）号：CN113688830B

主分类号：G06V10/25

分类号：G06V10/25;G06V10/774;G06V10/80;G06V10/82;G06N3/0464

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2021.12.10#实质审查的生效;2021.11.23#公开

摘要：本发明提供一种基于中心点回归的深度学习目标检测方法，包括以下具体步骤：在原CenterNet网络结构上引入水平连接模块将不同层之间的特征进行关联，融合了深层特征和浅层特征，以提高小目标检测性能；在水平连接模块中引入通道注意力模块，对不同通道间的特征响应进行自适应校准，改善了网络的特征提取能力；最后在UCAS‑AOD和RSOD公共遥感数据集上进行对比实验。本发明在遥感图像飞机目标检测中不仅有较高的检测精度，同时保持了单阶段检测模型的速度优势，具有一定的实用价值。

主权项：1.一种基于中心点回归的深度学习目标检测方法，其特征在于，包括以下具体步骤：在原CenterNet网络结构上引入水平连接模块将不同层之间的特征进行关联，融合了深层特征和浅层特征，以提高小目标检测性能；在水平连接模块中引入通道注意力模块，对不同通道间的特征响应进行自适应校准，改善了网络的特征提取能力；最后在UCAS-AOD和RSOD公共遥感数据集上进行对比实验；所述水平连接模块为FeatureFusion模块，即特征融合模块，FeatureFusion模块包括C-CenterNet和T-CenterNet，其中C-CenteNet经过一个标准1×1卷积使融合前的特征层具有相同的空间大小，T-CenterNet将C-CenterNet中的标准卷积换成空洞卷积进行测试，由于不同图层中的每个特征值具有不同的比例，在卷积之后需经过批量归一化和Relu激活处理；在水平连接模块中引入通道注意力模块具体为，在C-CenteNet的标准1×1卷积前引入通道注意力模块，在T-CenterNet的空洞卷积前引入通道注意力模块，所述通道注意力模块为挤压-激励注意力模块SE-Net，所述挤压-激励注意力模块首先对输入通道数为C的H×W的特征图进行挤压Squeeze操作，得到通道数为C的1×1的特征图，然后将得到的特征图进行激发Excitation操作，得到各通道之间的权重值，最后通过Scale操作将原特征图乘以对应通道的权重得到新的特征图，完成包含有效信息通道的更新和无用信息通道的抑制。

全文数据：

权利要求：

百度查询： 湖北工业大学 基于中心点回归的深度学习目标检测方法

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