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）

基于联合递归特征金字塔的多尺度目标检本发明公开了一种基于联合递归特征金字模块和空间注意力模块串联组成的联合反馈处2(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i与主干2.根据权利要求1所述的方法，其特征在于，设置RGB三个通道的归一化均值分别为[123.675,116.28,103.53]，设置RGB三个通道的归一化均值分别为[123.675,116.28,103.53]，34.根据权利要求1所述的方法，其特征在于，步骤(3b1)将最高层主干降维特征C59记为最高层金字塔特3b2)将次高层金字塔特征P4做2倍上采样操作后与次底层主干降维特征C39直接相加，5.根据权利要求1所述的方法，其特征在于，步所述通道注意力模块，依次包含上采样、特征拼接、全局平均池化层、全连接层和5a3)将通道总特征Mcat1经过一个全局平均池化层压缩为一个长度为1024的平均池化压gapgap5a5)将通道再压缩向量Vfc1经过另一个全连接层对通道数进行释放，得到一个长度为5a6)使用Sigmoid函数对通道释放向量Vfc2进5b1)将通道注意力特征MC分别经过一个最大池化层和一个平均池化层，得到最大池化45环机制和为主干网络引入可切换空洞卷积来提高检[0005]由于特征金字塔分层构建不同空间分辨率特征图的策略能够显著提高模型对不6[0009](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[0014](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[0017]5c)将空间注意力特征MS拆分为4个特征图，并将这4个特征图分别下采样至与主输入到现有的检测头网络，输出预测的目标位置参数(x,y,w,h)以及目标相应类别的置信78[0047]3.2.2)将次高层金字塔特征P4做2倍上采样操作后与次底层主干降维特征直接相[0048]3.2.3)将次底层金字塔特征P3做2倍上采样操作后与底层主干降维特征直接相9[0060]5.1.3)将通道总特征Mcat1经过一个全局平均池化层压缩为一个长度为1024的平gapgap块显存为12GB的NVIDIATITAN[0083]操作系统为64位Ubuntu18.04(LTS)，使用的深度学习框架为PyTorch(版本[0085]实验使用HRSC2016光学遥感舰船检测数据库、自建数据库HRSC2016_MS和DIOR大[0086]HRSC2016数据库是目前唯一开源的光学遥感[0087]自建数据库HRSC2016_MS是在HRSC2016数据库的基础上扩充并重新标注所得的光[0090]实验1：在上述实验条件下使用本发明方法和现有的13种方法对HRSC2016和[0098]NAS_FPN：Ghiasi等人提出的一种基于神经网络架构搜索算法在一定搜索空间中[0101]FasterR_CNN：Ren等人提出的一种基于区域建议网络的实时双阶段目标检测算[0109]从图4中展示的主观结果和表2中展示的客观结果可以看到，本发明方法在[0111]表3本发明的联合递归特征金字塔与现有5个特征金字塔结构在HRSC2016_MS数据[0116]Baseline+PAFPN：路径聚合特征金字塔作为颈部结构与基线方法组合而成的方[0120]Baseline+JRFP：本发明提出的联合递归特征金字塔作为颈部结构与基线方法组[0121]从表3中展示的结果可以看到，本发明方法所提出的联合递归特征金字塔作为颈[0122]实验3：在上述条件下使用本发明方法和现有15种方法在大规模的光学遥感数据37.744.250.956.158.663.163.564.965.770.371.071.171.872.672.676.9[0129]RIFD_CNN：Cheng等人提出的一种基于旋转不变和费舍尔判别卷积的遥