一种提升小尺度目标检测识别性能的卷积神经网络设计方法.docxVIP

PAGE PAGE 1 一种提升小尺度目标检测识别性能的卷积神经网络设计方法 申请号： CN202010300550.0 申请日：申请（专利权）人： [北京航天自动控制研究所] 地址： 北京市海淀区北京142信箱402分箱 发明人： [丛龙剑, 周斌, 张辉, 靳松直, 郝梦茜, 刘严羊硕] 主分类号： G06N3/04 公开（公告）号： CN111523645A 公开（公告）日：代理机构： 中国航天科技专利中心 代理人： [张晓飞]  （19）中华人民共和国国家知识产权局 （12）发明专利申请 （10）申请公布号 CN111523645A （45）申请公布日（21）申请号 CN202010300550.0 （22）申请日（71）申请人 [北京航天自动控制研究所] 地址 北京市海淀区北京142信箱402分箱 （72）发明人 [丛龙剑, 周斌, 张辉, 靳松直, 郝梦茜, 刘严羊硕] （74）专利代理机构 中国航天科技专利中心 代理人 [张晓飞] （54）发明名称 一种提升小尺度目标检测识别性能的卷积神经网络设计方法 （57）摘要 本发明一种提升小尺度目标检测识别性能的卷积神经网络设计方法，步骤如下：(1)选取原始网络的N个输出节点；(2)对每一个节点依次建立特征漏斗层，对每一层特征漏斗层的输入节点至下一层特征漏斗层的输入节点或网络末端之间的卷积网络，保留网络结构的同时将原始网络中一半数量的卷积核移动至特征漏斗层内，若有池化层则取消池化层，若有大步长卷积则将步长设置为1，保留的原始网络部分称为该特征漏斗层对应原始网络层；(3)建立每一层特征漏斗层的输出，对每一层特征漏斗层末端设置两个输出，称为特征漏斗层的输出一和特征漏斗层的输出二；(4)级联全部特征漏斗层，构建特征漏斗网络；(5)进行多尺度预测，完成网络设计。 权 利 要 求 书 1.一种提升小尺度目标检测识别性能的卷积神经网络设计方法，其特征在于步骤如下： (1)选取原始网络的N个输出节点；所述N个节点分别位于连续相近的池化层或大步长卷积之前，将各节点的输出作为特征漏斗网络的对应数量的输入节点； (2)对步骤(1)中每一个节点依次建立特征漏斗层，对每一层特征漏斗层的输入节点至下一层特征漏斗层的输入节点或网络末端之间的卷积网络，保留网络结构的同时将原始网络中一半数量的卷积核移动至特征漏斗层内，若有池化层则取消池化层，若有大步长卷积则将步长设置为1，保留的原始网络部分称为该特征漏斗层对应原始网络层； (3)建立每一层特征漏斗层的输出，对步骤(2)中每一层特征漏斗层末端设置两个输出，称为特征漏斗层的输出一和特征漏斗层的输出二； (4)级联全部特征漏斗层，构建特征漏斗网络； (5)进行多尺度预测，完成网络设计。 2.根据权利要求1所述的一种提升小尺度目标检测识别性能的卷积神经网络设计方法，其特征在于：所述步骤(3)两个输出中，一个直接输出用于步骤(5)中多尺度预测，称为特征漏斗层的输出一；另一个输出增加最大池化层，使得最大池化层后的输出特征图尺寸与步骤(2)中被移入特征漏斗层的卷积网络输出特征图尺寸一致，称为特征漏斗层的输出二。 3.根据权利要求2所述的一种提升小尺度目标检测识别性能的卷积神经网络设计方法，其特征在于：所述步骤(4)的具体过程为：对每一层特征漏斗层的输出二与该特征漏斗层对应原始网络层的输出做通道合并，作为下一层特征漏斗层的输入，第一层特征漏斗层的输入与对应原始网络层的输入相同，最后一层特征漏斗层的输出二与原始网络层输出通道合并后设置两个输出，一个与其它特征漏斗层的输出一一致，直接输出至步骤(5)中多尺度预测；另一个输出再经2步长的最大池化后，输出至步骤(5)中多尺度预测。 4.根据权利要求3所述的一种提升小尺度目标检测识别性能的卷积神经网络设计方法，其特征在于：所述步骤(5)的具体过程为：各层特征漏斗层的输出一，使用1×1卷积层将特征图通道数归一化，之后将各通道归一化后的特征图输入至原始网络的预测层，或复制与特征漏斗层数相同的预测层，并将各特征漏斗层输出的特征图依次输入至多个预测层，实现多尺度预测。  说 明 书 一种提升小尺度目标检测识别性能的卷积神经网络设计方法 技术领域 本发明涉及一种提升小尺度目标检测识别性能的卷积神经网络设计方法，适用于基于卷积神经网络的目标检测识别网络结构和深度学习框架。 背景技术 基于卷积神经网络的目标检测识别算法分为一阶段算法和二阶段算法，两种算法均需要使用一组深度卷积神经网络作为主干网络对输入图片进行处理，获得高维特征图，并通过区域建议网络或直接回归区域对输入图片中的目标进行检测识别。但由于卷积操作不具备