CN115719414B 基于任意四边形回归的目标检测与精确定位方法 （西北工业大学）

基于任意四边形回归的目标检测与精确定本发明涉及一种基于任意四边形回归的目合级联结构与分支间的信息交互进一步提升目2步骤1：构建基于任意四边形回归的目标检测网络模型，该模注意力机制特征交互融合的关键点检测分支G到待检测目标关键区域的任意四边形四个顶点GridPoin步骤3：以步骤2得到的图像数据集中的训练集与验对步骤1构建的基于任意四边形回归的目标检测网络模型进行训练，得到训练好的网络模步骤4：将待检测的目标图像输入到步骤3训练好的网络2.根据权利要求1所述的一种基于任意四边形回归的目标检测与精确定位方法，其特对于待检测的目标来说，所有的GridPoint共享一个相同的特征表达处理后，每个GridPoint的表达能近似地视为一个归一化的过程，3.根据权利要求1所述的一种基于任意四边形回归的目标检测与精确定位方法，其特用于特征提取的卷积序列由多个卷积层构成，对输入的待检测图像特征Fdin进行特征将特征Fd按照通道平均分成M组，与第i个GridPoint对应的特征图记为Fd3′SC分别表示在包含三种感知注意力的模块串联堆叠构成一个完整的注意力模块，将多级特征{Fdi,4.根据权利要求1所述的一种基于任意四边形回归的目标检测与精确定位方法，其特5.根据权利要求1所述的一种基于任意四边形回归的目标检测与精确定位方法，其特x46.根据权利要求1所述的一种基于任意四边形回归的目标检测与精确定位方法，其特其中，Loss表示网络的总损失，Lcls表示RPN模块分tiru表示第l个GridPoint对应的未融合5[0002]目标检测是计算机视觉领域的基本任务之一，近些年随ROIAlign池化层和基于全连接层的分类回归分支以及基于全卷积网络的关键点检测分支6任意四边形的能力，能够使用预测的四边形位置信息方便地得到目标关键区域的正视图，[0011]所述关键点检测分支GridHead基于全卷积网络搭建，包括用于特征提取的卷积局部映射，再使用基于多重注意力机制的特征融合模块对提取的特征进行多级融合处理，转换得到待检测目标关键区域的任意四边形四个顶点GridPoi降法对步骤1构建的基于任意四边形回归的目标检测网络模型进行训练，得到训练好的网[0018]然后，将放大后的特征图按照GridPoint所在的位置局部映射，对于每个Grid[0021]用于特征提取的卷积序列由多个卷积层构成，对输入的待检测图像特征Fdin进行7iiC分别表示在[0032]包含三种感知注意力的模块串联堆叠构成一个完整的注意力模块，将多级特征[0034]以多任务方式将边框回归和GridPoint预测组合在一起，抛弃平行结构交替进在相邻阶段的GridHead之间增加一条连接，前一个阶段的特征Gi的特征经过卷积做特征8归损失之和；分类损失、RPN模块位置回归损失以及框回归损失与FasterRCNN中的损失一l个GridPoint对应的未融合9[0068]ROIAlign池化层利用双线性插值的方式计算非整数位置的像素点值，实现对不[0069]将池化后的待检测仪表图片特征输入到GridHead，输出得到待检测仪表的四边[0072]特征提取网络模块使用8个卷积层，对输入的待检测图片特征生成，而不是所有的关键点共享一个相同的特征表达区域。经过这样处理后，每个GridPoint的表达可以近似地视为一个归一化的过程，在不增加计算量的同时，提升了定位精j=i。SπS级的相对重要程度，在适当的层级上增强目标的特征；空间注意力模块用在S＝H×W维度[0083]包含三种感知注意力的模块串联堆叠构成一个完整的注意力模块，将多级特征构交替进行，每个阶段先执行框回归分支，再将回归过的框交由关键点检测分支来预测模块位置回归损失以及框回归损失与FasterRCNN中的损失一致；关键点回归损失Lgrid为素为1是表示对应的是预测GridPoint区域，像素为0时表示对应的不是预测GridPoint区成的包围框的顶点位置坐标，(Hx，Hy)表示最终的