CN115527095B 基于联合递归特征金字塔的多尺度目标检测方法 （西安电子科技大学）.docxVIP

(19)国家知识产权局

(12)发明专利

(10)授权公告号CN115527095B(45)授权公告日2025.07.04

(21)申请号202211339440.0

(22)申请日2022.10.29

(65)同一申请的已公布的文献号申请公布号CN115527095A

(43)申请公布日2022.12.27

(73)专利权人西安电子科技大学

地址710071陕西省西安市太白南路2号

(72)发明人韩冰陈玮铭高新波杨铮黄晓悦

(74)专利代理机构陕西电子工业专利中心

61205

专利代理师王品华

(51)Int.CI.

GO6V10/82(2022.01)

GO6V10/80(2022.01)

GO6V10/20(2022.01)

GO6N3/0464(2023.01)

GO6N3/08(2023.01)

(56)对比文件

CN111738110A,2020.10.02CN112308092A,2021.02.02

审查员王永贵

权利要求书3页说明书9页附图2页

(54)发明名称

基于联合递归特征金字塔的多尺度目标检

测方法

(57)摘要

CN115527095B本发明公开了一种基于联合递归特征金字塔的多尺度目标检测方法。主要解决现有技术在复杂场景下多尺度目标检测精度低的问题。其实现方案是：1)读取目标检测数据库数据，并对图像数据进行预处理；2)使用ResNet卷积神经网络作为主干网络提取图像的特征；3)根据所提取的图像特征构建特征金字塔；4)构建由通道注意力模块和空间注意力模块串联组成的联合反馈处理器；5)利用联合反馈处理器对各层金字塔特征进行处理，完成特征融合；6)重复步骤3)至步骤5)两次，得到多尺度特征；7)将多尺度特征输入到现有的检测头，完成多尺度检测。本发明显著提高了复杂场景下多尺度目标检测的精度，可用于智慧交通、智慧安防和遥感影像处

CN115527095B

读取目标检测数据库

读取目标检测数据库

主干网络提取图像特征

构建特征金字塔

循环次数是否到上限?

是

检测头回归边界和预测分类概率

结束

处理后的反馈特征与主干网络对应层融合

联合反馈处理器统一处理反馈特征

否

CN115527095B权利要求书1/3页

2

1.一种基于联合递归特征金字塔的多尺度目标检测方法，其特证在于，包括如下步骤：

(1)读取目标检测数据库数据，对训练数据的图像依次进行调整、翻转和归一化，对测试数据的图像依次进行调整和归一化，并设置RGB三个通道的归一化均值和标准差，最终得到图像对应的张量数据；

(2)使用包括有5个串联卷积块的ResNet卷积神经网络作为主干网络，将经过(1)预处理后的图像张量数据输入到该卷积神经网络，得到通过5个卷积块分别提取的图像特征，分别记为C1,C2,C3,C4和C5;

(3)根据ResNet卷积神经网络所提取的图像特征，构建特征金字塔：

3a)将ResNet卷积神经网络提取出来的图像特征C2,C3,C4和C5分别经过4个核大小为1×1,步长为1的卷积层，使得C2特征的通道数依然保持为256,C3特征的通道数由512下降至256,C4特征的通道数由1024下降至256,C5特征的通道数由2048下降至256,最终得到4层主干降维特征C2′,C3′,C4′和C5′;

3b)将3a)所得的各层主干降维特征执行自顶向下的特征融合操作，形成由P2、P3、P4和P5金字塔特征组成的特征金字塔结构；

(4)构建由通道注意力模块和空间注意力模块串联组成的联合反馈处理器；

(5)利用联合反馈处理器对步骤(3)所得各层金字塔特征进行处理，完成特征融合：

5a)将P2,P3,P4和P5这4层金字塔特征输入到通道注意力模块，得到通道注意力特征Mc;5b)将5a)得到的通道注意力特征Mc输入空间注意力模块，得到空间注意力特征Ms;

5c)将空间注意力特征M拆分为4个特征图，并将这4个特征图分别下采样至与主干网络各卷积块输出特征C尺寸相同；

5d)将上采样后的特征图分别输入到4个核大小为1×1,步长为1的卷积层，将通道数分别提升至256,512,1024和2048,得到与主干网