CN115035394B 基于多层融合边缘增强颈部网络的目标检测优化实现方法及系统 （苏州东大金点物联科技有限公司）

基于多层融合边缘增强颈部网络的目标检一种基于多层融合边缘增强颈部网络的目五层特征使用反向融合路径和正向融合路径进用神经网络不同层针对高层次和低层次特征提2所述的第二至第五层特征是指：通过常用的目标检测特征提取骨干网所述的优化特征融合是指：从第五至第二层特征，逐层进行上采样别进行上采样处理后分别①与第二层特征融合并通过采用残差学习方式的边缘增强后再2.根据权利要求1所述的基于多层融合边缘增强颈部网络的目标检测优化实现方法，①对于输入维度为W×H×C的特征，首先通过一个CSP②对于CSP层输出的维度为W×H×C/2的特征，通过卷③对于卷积层输出的维度为W×H×C/2的特征，通过最邻近插值的方法将特征上采样3.根据权利要求1所述的基于多层融合边缘增强颈部网络的目标检测优化实现方法，②对于下采样得到的维度为W/2×H/2×C的特征，使用4.一种实现权利要求1～3中任一所述方法的基于多层融合边缘增强颈部网络的目标3根据第二边缘增强特征和第一下采样模块输出在通道维度拼接后的信息，进行CSP层和卷三下采样特征与第一上采样模块的卷积层输出在通道维度拼接，在最后经过CSP层处理得45其是对判断小目标和透明目标十分关键的高分辨率特征和边缘信息特征缺乏有针对性地6别进行上采样处理后分别①与第二层特征融合并通过采用残差学习方式的边缘增强后再[0012]③对于卷积层输出的维度为W×H×C/2的特征，通过最邻近插值的方法将特征上[0014]①对于输入维度为W×H×C的特征，首先通过最邻近插值的方法将特征下采样一测数据集上相比于前沿的PANet网络AP50总体提升0.8在常见小尺度和透明目标的关键7[0024]如图1所示，为本实施例涉及一种基于多层融合边缘增强颈部网络的目标检测系[0025]所述的骨干神经网络采用但不限于RedminJ，FarhadiA在Yolov3:Anincrementalimprovement[J].arXivpreprintarXiv:1804.02767,2018中提出的[0027]本实施例中的颈部网络将输出对应骨干网络第三至五层特征连接到后续的检测第二上采样模块根据第一上采样模块输出和骨干神经网络第四层特征在通道维度拼接后块根据第三上采样模块输出和骨干神经网络第二层输出特征在通道维度拼接的结果信息，采样模块根据第二边缘增强特征和第一下采样模块输出在通道维度拼接后的信息，进行输出和第一上采样模块卷积层输出在通道维度拼接得到的特征，进行CSP层和卷积层处理8[0033]所述的CSP结构是根据WangCY,LiaoHYM,WuYH,etal.在CSPNet:AnewbackbonethatcanenhancelearningcapabilityofCNN[C]//ProceedingsoftheIEEE/CVFconferenceoncomputervisionandpatternrecognitionworkshops.2020:390-391.中提出的基于残差网络的CSP模块[0037]所述的网络训练，采用但不限于GeZ,LiuS,WangF,eyoloseriesin2021[J].arXivpreprintarXiv:2107.08430,2021.中提出的方法实现。9Suppression[C]//InternationalConferenceonPatternRecognition.IEEEComputer率调整。参考GeZ,LiuS,WangF,etal.在[0051]包含大量透明目标和小尺度目标的关键类别上本发明与前沿的PANet的比较结见小尺度和透明物体的关键类别上，的算法相比与最前沿的PANet能够取得平均3.74％的[0054]上述具体实施可由本领域技术人员在不背离本发明原理和宗旨的前提下以不同的