CN110503112A 一种增强特征学习的小目标检测及识别方法 （电子科技大学）_第1页
CN110503112A 一种增强特征学习的小目标检测及识别方法 （电子科技大学）_第2页
CN110503112A 一种增强特征学习的小目标检测及识别方法 （电子科技大学）_第3页
CN110503112A 一种增强特征学习的小目标检测及识别方法 （电子科技大学）_第4页
CN110503112A 一种增强特征学习的小目标检测及识别方法 （电子科技大学）_第5页
已阅读5页，还剩18页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

李月男一种增强特征学习的小目标检测及识别方法本发明公开了一种增强特征学习的小目标产生模块和预测输出模块作为小目标检测与识理的小目标样本图像数据输入初始化了参数的2S1、依次构建用于提取小目标的特征并输出初第一组卷积层依次包括1个7x7卷积操作和1个非线性激活函数操作两部分、第二组卷积层依次包含9个卷积层、一个非线性激活层及平均池化层，第三组卷积层依次包含12个卷积5.根据权利要求1-4任意一项所述的一种增强特征学习的小目标检测及识别方法，其3述步骤S1中，预测输出模块紧接着候选框产生模块，其中，进行预测框坐标回归是通过SmoothL1损失函数回归出预测框坐标位置，预测框类别分类是指基于预测框所对应的的ttw基于预测框所对应的的特征图经过wx+b回归出一个数值后通过softmax损失函数得到cls框产生模块产生的候选框、k近邻方法和非极大值抑制方法对得到预测输出模块进行预测410.根据权利要求1或9所述的一种增强特征学习的小目标检测及识别方法，其特征在得到训练好后的小目标检测与识别网络的具体实现过5[0003]目标检测与识别任务与普通的分类任务不同之处在于传统的分类任务只需要输制的目标检测算法是利用计算预测框与真实框之间的IOU(即重叠面积大小)，然后利用预说会出现大概率的漏检现象且网络效率低(即检识别方法，解决现有技术中小目标检测与识别任务检测精度低且网络效率低(即检测速度6初步特征图的基础上进一步提取特征并输出特征图的两个沙漏堆栈形成的特征提取模块、图的每个像素点位置会产生9个不同尺寸的候选框，每一个候选框映射到原始图像上即会7坐标回归是通过SmoothL1损失函数回归出预测框坐标位置，预测框类别分类是指基于预测框所对应的的特征图经过wx+b回归出一个数值后通过softmax损失函数得到对应预测框ttxyw[0028]基于预测框所对应的的特征图经过wx+b回归出一个数值后通过softmax损失函数8[0040]图2是本发明中两个沙漏堆栈形成的特征基础模块和预测输出模块的网络结构[0044]图6为本发明实用例中展示本发明与现有技术SSD和DSSD的检测结果示意图，其9初步特征图的基础上进一步提取特征并输出特征图的两个沙漏堆栈形成的特征提取模块、像素点位置会产生9个不同尺寸的候选框，每一个候选框映射到原始图像上即会对应一个ttxyw[0066]基于预测框所对应的的特征图经过wx+b回归出一个数值后通过softmax损失函数[0069]随机初始化小目标检测与识别网络的参数是指使用较大的公开数据对小目标检基于候选框产生模块产生的候选框、k近邻方法和非极大值抑制方法对得到预测输出模块[0072]对提取的小目标样本图像数据进行预处理是指对小目标样本图像数据进行正负[0079]4)获得多尺度的特征图后，对于任意一张特征图，每一个像素点位置产生9个[0081]6)回归后经过softmax函数将会得到一个分数值(也就是属于任意一个类别的概

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论