一种基于改进Faster RCNN的目标检测方法.pdf

(19)国家知识产权局(12)发明专利申请(10)申请公布号CN115035290A(43)申请公布日2022.09.09(21)申请号202210491744.2(22)申请日2022.05.07(71)申请人上海工程技术大学地址201620上海市松江区龙腾路333(72)发明人高玮玮单明陶方宇张海峰范狄庆刘欣荣沙玲杨皓(74)专利代理机构上海唯智赢专利代理事务所(普通合伙)31293专利代理师姜晓艳(51)Int.Cl.G06V10/25(2022.01)G06N3/04(2006.01)G06N3/08(2006.01)G06V10/80(2022.01)G06V10/82(2022.01)权利要求书1页说明书6页附图6页(54)发明名称一种基于改进FasterRCNN的目标检测方法(57)摘要本发明属于目标识别的技术领域，公开了一种基于改进FasterRCNN的目标检测方法，包括步骤一、将待检图像输入融合注意力机制模块的主干网络，得到不同尺度的初始特征图，再将不同尺度的所述初始特征图输入改进的FPN网络进行深层特征和浅层特征的融合，输出不同尺度的最终特征图；步骤二、利用RPN网络提取不同尺度的最终特征图中的感兴趣区域，再将感兴趣区域通过ROIAlign层映射到不同尺度的最终特征图上，并转化成统一大小，以获取固定尺寸的特征矩阵；步骤三、将所述特征矩阵拉直后输入全连接层，对目标位置进行回归，并用分类器对目标对象进行分类，从而完成目标检测。CN115035290ACN115035290A权利要求书1/1页1.一种基于改进FasterRCNN的目标检测方法，其特征在于包括以下步骤：步骤一、将待检图像输入融合注意力机制模块的主干网络，得到不同尺度的初始特征图，再将不同尺度的所述初始特征图输入改进的FPN网络进行深层特征和浅层特征的融合，输出不同尺度的最终特征图；步骤二、利用RPN网络提取不同尺度的最终特征图中的感兴趣区域，再将感兴趣区域通过ROIAlign层映射到不同尺度的最终特征图上，并转化成统一大小，以获取固定尺寸的特征矩阵；步骤三、将所述特征矩阵拉直后输入全连接层，对目标位置进行回归，并用分类器对目标对象进行分类，从而完成目标检测。2.根据权利要求1所述的基于改进FasterRCNN的目标检测方法，其特征在于：所述主干网络以ResNeXt50网络为基础，在ResNeXt50网络的第2阶段、第3阶段和第4阶段的最后一个残差模块的快捷连接之前嵌入SENet注意力机制模块。3.根据权利要求2所述的基于改进FasterRCNN的目标检测方法，其特征在于：所述改进的FPN网络将深层的初始特征图上采样后与浅层的初始特征图进行相加，然后再将浅层的初始特征图下采样后与深层的初始特征图进行相加，经过双向融合方式获得不同尺度的最终特征图。4.根据权利要求3所述的基于改进FasterRCNN的目标检测方法，其特征在于：选取主干网络的第2阶段、第3阶段、第4阶段和第5阶段的输出作为初始特征图，由浅层至深层依次分别记为C2、C3、C4、C5，先将初始特征图C2、C3、C4、C5均经过一个1×1的卷积计算；再将初始特征图C5通过两倍上采样与初始特征图C4进行拼接形成初始特征图C4’，将所述特征图C4’通过两倍上采样与初始特征图C3进行拼接形成特征图C3’，将所述特征图C3’通过两倍上采样与初始特征图C2进行拼接形成特征图C2’；然后将所述特征图C2’通过两倍下采样与特征图C3’进行拼接形成特征图C3”，将所述特征图C3”通过两倍下采样与特征图C4’进行拼接形成特征图C4”，将所述特征图C4”通过两倍下采样与初始特征图C5进行拼接形成特征图C5”；最后将特征图C2’、C3”、C4”、C5”均通过一个3×3的卷积输出，得到最终特征图P2、P3、P4、P5。5.根据权利要求2所述的基于改进FasterRCNN的目标检测方法，其特征在于：所述ResNeXt50网络的第1阶段包括一个卷积层和一个最大池化层，第2阶段包括三个ResNeXt残差模块，第3阶段包括四个ResNeXt残差模块，第4阶段包括六个ResNeXt残差模块，第5阶段包括三个ResNeXt残差模块，所述注意力机制模块采用SENet注意力机制模块。2CN115035290A说明书1/6页一种基于改进FasterRCNN的目标检测方法技术领域[0001]本发明属于目标检测的技术领域，具体涉及一种基于改进FasterRCNN的目标检测方法。背景技术[0002]目标检测(ObjectDetection)的任务是找出图像中所有感兴趣的目标并确定它们的类别和位置，是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态，加上成像时光照、遮挡等因素的干扰，目标检测一直是计算机视觉领域最具有挑战性的