CN113450321B - 基于边缘检测的单阶段目标检测方法 - Google Patents

基于边缘检测的单阶段目标检测方法 Download PDF

Info

Publication number
CN113450321B
CN113450321B CN202110675466.1A CN202110675466A CN113450321B CN 113450321 B CN113450321 B CN 113450321B CN 202110675466 A CN202110675466 A CN 202110675466A CN 113450321 B CN113450321 B CN 113450321B
Authority
CN
China
Prior art keywords
target detection
network
layer
loss
detection
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN202110675466.1A
Other languages
English (en)
Other versions
CN113450321A (zh
Inventor
桂盛霖
张瑞琼
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110675466.1A priority Critical patent/CN113450321B/zh
Publication of CN113450321A publication Critical patent/CN113450321A/zh
Application granted granted Critical
Publication of CN113450321B publication Critical patent/CN113450321B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/253—Fusion techniques of extracted features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20212—Image combination
    • G06T2207/20221—Image fusion; Image merging

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于边缘检测的单阶段目标检测算法，属于计算机视觉领域。本发明将单阶段目标检测算法SSD和边缘检测算法CEDN融合，提出了一种端到端的多任务网络，使得边缘检测和目标检测共享基础特征提取网络VGG‑16的参数，让网络在预测物体所属类别以及边框坐标的同时，预测图像中物体的轮廓，从而利用物体轮廓的坐标，约束误差较大的预测边框，提高了目标检测任务和边缘检测任务的正确率。

Description

基于边缘检测的单阶段目标检测方法
技术领域
本发明属于计算机视觉领域，具体涉及一种目标检测方法以及物体轮廓检测方法。
背景技术
随着计算机技术和通信技术的飞速发展，机场信息化应用水平不断提升，智慧机场应运而生。对于民航业来说，运用相关技术对机场摄像头拍摄的实时视频流中物体进行自动化识别与跟踪，可以提高机场运行效率和机场的智能化程度。而在真实机场中有时不仅需要检测到物体，还需要识别物体的轮廓，比如实现登机桥的自动对接问题，只有获取机舱门位置的同时，识别出机舱门的轮廓信息，才能实现登机桥自动精准对接。因此，研究物体轮廓检测在单阶段目标检测算法中的关键技术可为智慧机场提供技术支撑。
目标检测是计算机视觉领域里一个热门的研究方向，学术界已经研究了将近二十年，目标检测技术包含两个核心任务，分别为定位出图像中感兴趣的目标，并显示出每个目标的边界框，以及预测每个目标的所属类别。众多学者们为了提高目标检测技术的精度以及效率，构建了VGG、GoogleNet、ResNet等特征提取网络。基于深度学习的目标检测算法可以分为双阶段目标检测算法以及单阶段目标检测算法。双阶段目标检测算法即首先需要产生区域建议，然后再进一步修正建议的边框坐标以及所属类别。单阶段目标检测算法即省去了区域建议的步骤，直接使用卷积预测物体的边框坐标以及所属类别。其中，Liu等人提出的单阶段目标检测算法SSD(Liu W,Anguelov D,Erhan D,Szegedy C,Reed S,Fu C Yand Berg A C.2016.SSD:single shot MultiBox detector//Proceedings of the 14thEuropean Conference on Computer Vision.Amsterdam:Springer:21-37)在保持较高的检测精度的前提下，依然可以达到较快的检测速度，使得检测精度与速度达到了平衡。
图像边缘检测是提取图像中突变的重要信息的技术，也是计算机视觉领域中的一个较为基础的问题。已有众多学者研究表明，图像边缘检测技术在图像分割、物体检测与识别等众多领域里都发挥着重要作用。图像边缘检测的方法可以分为传统边缘检测方法以及基于深度学习的边缘检测方法。其中，在基于深度学习的边缘检测方法中，Yang等人提出的CEDN(YANG J,PRICE B,COHEN S,et al.Object contour detection with a fullyconvolutional encoder-decoder network[C]//Proceedings of the 2016 IEEEConference on Computer Vision and Pattern Recognition.Piscataway:IEEE,2016:193-202.)是用于检测物体轮廓的算法，该算法使用了全卷积编码器解码器的神经网络架构来提取高层的特征。其中编码网络使用的是VGG-16,编码网络的作用是提取特征，固定网络参数，通过第六个卷积层后，输出高维特征图，随后输入到用于解码的网络层。解码器是由若干个反池化以及反卷积构成的，解码网络最终输出原图大小的特征图与物体轮廓标签计算损失，使预测的特征图更贴近于给定的标签。不同于以往的低水平边缘检测算法，该算法更加关注图像中物体的轮廓，而忽视背景的边缘。
目标检测算法已经得到了快速的发展，但它仍然有很大的提升空间，是一个非常具有挑战性的课题。目标检测算法虽然在检测速度和准确率上已经得到了较大提升，但是普遍都存在只能预测物体的边框位置，无法精确到物体轮廓的缺点。
发明内容
针对上述问题，本发明将背景技术中的单阶段目标检测算法SSD和边缘检测算法CEDN融合，提出了一种端到端的多任务网络，使得边缘检测和目标检测共享基础特征提取网络VGG-16的参数，让网络在预测物体所属类别以及边框坐标的同时，预测图像中物体的轮廓，从而利用物体轮廓的坐标，约束误差较大的预测边框。
本发明采用的技术方案如下：
一种基于边缘检测的单阶段目标检测算法，包括以下步骤：
S1)机舱门数据集的获取和处理
采集至少600张真实机舱门的图片以及至少300张模型机舱门的图片，获得机舱门数据集D，并划分为训练集、验证集以及测试集；对所有图片中的机舱门进行边框标注、物体所属类别标注，获得目标检测任务的标签；同时对机舱门进行轮廓标注，获得边缘检测任务的标签。对训练集图像进行数据增强预处理，包括对图像进行旋转、平移、放缩、调整图像亮度以及对比度。
S2)建立目标检测网络模型
所述目标检测网络模型由不含全连接层的基础特征提取网络VGG-16、目标检测分支a、以及边缘检测分支b三部分组成。
具体的：
所述目标检测分支a连接在基础特征提取网络VGG-16后；所述目标检测分支a包含顺序连接的3×3卷积conv6、1×1卷积conv7、至少4个新增卷积层、以及检测器。
所述3×3卷积conv6采用带孔卷积的结构，通过设置扩张率参数，来改变扩张的尺寸，在不提升模型复杂度和增加参数量的前提下，使卷积的感受野得到指数级扩张。
所述新增卷积层为卷积核大小为3×3的卷积层。
将全部新增卷积层、1×1卷积conv7、以及基础特征提取网络VGG-16的conv4_3输出的不同尺度的特征图输入到检测器中进行预测，得到初始的物体边框坐标以及类别置信度的预测结果；再通过非极大值抑制得到最终的物体边框坐标以及类别置信度的预测结果。
所述边缘检测分支b连接在基础的特征提取网络VGG-16后；所述边缘检测分支b包含顺序连接的conv6网络层、Deconv6网络层、5个反池化层、以及sigmoid网络层，其中每个反池化层后接一个3×3卷积层。
所述conv6网络层用于扩充基础特征提取网络VGG-16输出特征图的通道数，使得译码网络得到更丰富的图像特征。
所述Deconv6网络层用于减少特征图的通道数，使得减少网络参数以降低模型复杂度。
每个所述反池化层均用于扩大特征图的尺度为输入该反池化层的两倍，使得该层输出的特征图尺寸和基础特征提取网络VGG-16对应层输出的特征图大小相同。
所述sigmoid网络层用于将输入的通道数为1的特征图像素值归一化到0-1范围内，从而得到最终的机舱门边缘检测的预测结果。
S3)计算目标检测任务的损失以及边缘检测任务的损失
将数据集D中训练集的图片划分为若干个batch，并输入到目标检测网络模型中。分别计算目标检测任务的损失和边缘检测任务的损失，其中目标检测任务的损失包含类别置信度损失和物体边框坐标损失。
S4)反向传播更新网络参数
将步骤S3)得到的损失相加，并自适应的调整各个损失的权重，使得各任务的损失可以同步收敛；反向传播更新网络参数，得到多个训练好的预选目标检测网络模型。
S5)验证
将验证集中的图片输入到预选目标检测网络模型中进行验证，选取预测结果最优的预选目标检测网络模型作为最终的目标检测网络模型。
S6)测试
将测试集的图片输入到最终的目标检测网络模型中进行检测，得到检测结果并计算检测精度。
本发明的有益效果：提出了将边缘检测算法CEDN和单阶段目标检测算法SSD融合的多任务网络ED-SSD，其中目标检测分支a和边缘检测分支b共享基础特征提取网络VGG-16的参数，由于目标检测任务预测边框坐标和边缘检测任务都需要物体轮廓周围的特征，使得两个任务互相影响。在训练过程中，网络层输出的特征图中物体轮廓周围的特征更加的明显，即特征图中物体轮廓周围的最大响应值比单独训练某个任务的最大响应值更加突出，加强了图像中物体特征的提取，而弱化了背景特征的提取，从而分别提高了目标检测任务和边缘检测任务的正确率。
附图说明
图1为获取的模型机以及真实机型舱门图片示例。
图2为本发明ED-SSD模型结构示意图。
图3为测试结果示例，其中(a)为采用单阶段目标检测算法SSD对机舱门的边框检测的预测结果，(b)为采用本发明算法对机舱门轮廓检测的预测结果，(c)为采用本发明算法对机舱门的边框检测的预测结果，且该边框利用了机舱门的轮廓坐标进行了约束。
具体实施方式
下面将结合本发明的说明书附图，对本发明实施例中的技术方案进行进一步地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
本实施例的一种基于边缘检测的单阶段目标检测算法，包括以下步骤：
步骤1：机舱门数据集的获取和处理；
步骤2：建立ED-SSD目标检测网络模型；
步骤3：计算目标检测任务的损失以及物体轮廓检测任务的损失；
步骤4：反向传播更新网络参数；
步骤5：验证；
步骤6：测试。
具体地，步骤1包括以下步骤：
步骤1.1：获取机舱门数据集：
采集现实机场视频数据和模型机视频数据，并对采集到的视频进行归纳和整理。首先在整理出的真实机舱门视频中截取出600张图片，其中包括在不同天气状况下截取的不同类型以及包含不同程度阴影的机舱门图片。其次在整理出的模型机舱门视频中截取出300张图片，其中包括不同天气状况下以及包含不同程度阴影的模型机图片。获取的机舱门图片如图1所示。
步骤1.2：为机舱门图片制作目标检测任务的标签。
步骤1.3：为机舱门图片制作边缘检测任务的标签。
步骤1.4：将机舱门数据集划分为训练集、验证集以及测试集，将训练集数据分为若干个batch，每个batch里有batch_size个数据，并将每个batch中的数据进行数据增强预处理，包括对图像进行旋转、平移、放缩、调整图像亮度以及对比度。
如图2所示，步骤2中的ED-SSD目标检测网络模型的具体结构如下：
ED-SSD网络模型总共包含三部分，一个是不含全连接层的基础特征提取网络VGG-16，也充当边缘检测的编码网络，一个是目标检测分支a，一个是边缘检测分支b。
优选地，将基础特征提取网络VGG-16的第五个最大池化层由原本的窗口大小为2×2，步长为2，转变为了窗口大小为3×3，步长为1，该池化层的改进用于减轻后续的计算复杂度。
然后将目标检测分支a连接在基础特征提取网络VGG-16后；所述目标检测分支a包含顺序连接的3×3卷积conv6、1×1卷积conv7、至少4个新增卷积层、以及检测器。其中3×3卷积conv6为了和池化层的变化相匹配，采用了带孔卷积的结构，通过设置扩张率参数，来改变扩张的尺寸，在不提升模型复杂度和增加参数量的前提下，使卷积的感受野得到指数级扩张。采用4个卷积核大小为3×3的新增卷积层来代替VGG-16的dropout层以及第八个全连接层。然后将全部新增卷积层、1×1卷积conv7、以及基础特征提取网络VGG-16的conv4_3输出的不同尺度的特征图输入到检测器中进行预测，得到初始的物体边框坐标以及类别置信度的预测结果，其中不同尺度的特征图大小分别为38×38、19×19、10×10、5×5、3×3、1×1；再通过非极大值抑制滤除误差较大以及重合度过大的预测边框，得到最终的物体边框坐标以及类别置信度的预测结果。
边缘检测分支b为一个译码网络结构，连接在基础的特征提取网络VGG-16后；边缘检测分支b包含顺序连接的conv6网络层、Deconv6网络层、5个反池化层、以及sigmoid网络层，其中每个反池化层后接一个3×3卷积层。
其中conv6网络层用于扩充基础特征提取网络VGG-16输出特征图的通道数，使得译码网络得到更丰富的图像特征。Deconv6网络层用于减少特征图的通道数，使得减少网络参数以及降低模型复杂度。之后的每一个反池化层，用于扩大特征图的尺度为输入该网络层的两倍，使得该层输出的特征图尺寸和基础特征提取网络VGG-16对应层输出的特征图大小相同，最终输出特征通道数为1的原图大小的特征图。然后通过sigmoid网络层将输入的通道数为1的特征图像素值归一化到0-1范围内，从而得到最终的边缘预测结果图。
目标检测分支a和边缘检测分支b共享基础特征提取网络VGG-16的参数，由于目标检测任务和边缘检测任务都需要物体轮廓周围的特征，使得两个任务能够互相影响。在训练过程中，网络层输出的特征图中物体轮廓周围的特征更加的明显，即特征图中物体轮廓周围的最大响应值比单独训练某个任务的最大响应值更加突出，加强了图像中物体特征的提取，而弱化了背景特征的提取，从而分别提高了目标检测任务和边缘检测任务的正确率。
其中步骤3计算目标检测任务损失以及边缘检测任务损失的具体做法为：
步骤3.1：计算类别置信度损失，其计算公式如下：
Figure BDA0003120824110000061
式中，
Figure BDA0003120824110000062
取0或1，
Figure BDA0003120824110000063
为1表示第i个先验框和第j个真实目标匹配，同时物体的所属类别为p；
Figure BDA0003120824110000064
表示第i个先验框预测的类别置信度，同时物体的所属类别为p；
Figure BDA0003120824110000065
表示第i个先验框预测的类别置信度，同时物体的所属类别为背景；Pos表示正样本集合；Neg表示负样本集合；n表示正样本的数量。
步骤3.2：计算边框坐标损失，其计算公式如下：
Figure BDA0003120824110000066
式中，
Figure BDA0003120824110000067
表示第i个先验框的预测位置坐标；
Figure BDA0003120824110000068
表示第j个真实目标的位置坐标；cx表示边框中心点横坐标；cy表示边框中心点纵坐标；w，h分别表示边框的宽和高；l表示预测边框的位置总称；g表示真实目标的位置总称；
Figure BDA0003120824110000069
表示第k层特征图中所设的第i个先验框和第j个真实目标匹配，k的取值范围为[1,6]；其中smoothL1函数具体的计算公式如下所示：
Figure BDA00031208241100000610
其中
Figure BDA00031208241100000611
步骤3.3：计算目标检测分支a的总损失，其计算公式如下：
Figure BDA00031208241100000612
其中Lconf(x,c)为类别损失；Lloc(x,l,g)为边框坐标损失；α表示边框坐标损失的权重系数。
步骤3.4：边缘检测任务损失函数具体计算公式如下：
Figure BDA00031208241100000613
其中N表示特征图中像素的个数；y表示每个像素的预测值；
Figure BDA00031208241100000614
表示每个像素的标签，取值为0或1，0表示像素为负样本，1表示像素为正样本。
其中步骤4计算总损失，并自适应的调整各任务的损失权重，反向传播更新网络参数的具体做法为：
由于本发明提出的ED-SSD模型是多任务网络，在训练模型时，目标检测任务和边缘检测任务的数据分布、正负样本比例以及损失大小存在差异。针对该问题，本实施例使用了一种多任务损失的计算方法，可以在网络训练过程中，自适应的调整各任务损失的权重，从而使得各任务损失同步收敛，都可以达到良好的训练效果。
本实施例的多任务总损失的计算公式如下：
Figure BDA0003120824110000071
在模型训练的过程中，不仅要更新网络的参数，还要更新式中的权重参数，即σ1，σ2，σ3，其中σ1表示目标检测任务中类别置信度损失的权重系数，σ2表示目标检测任务中物体边框坐标损失的权重系数，σ3表示边缘检测任务损失的权重系数。
其中步骤5验证的具体方法为：
将验证集中的图片输入到步骤4中的多个预选目标检测网络模型，选取预测结果最优的预选目标检测网络模型作为最终的目标检测网络模型。
其中步骤6测试的具体方法为：
将测试集的图片输入到最终的目标检测网络模型中进行检测，得到检测结果并计算检测精度。
本发明提出了将边缘检测算法CEDN和单阶段目标检测算法SSD融合的多任务网络模型，使网络在预测物体边框坐标以及所属类别的同时，检测图像中物体的轮廓。并将它应用在了智慧机场的现实场景中。基于智慧机场的现实场景，ED-SSD模型可以利用物体轮廓像素坐标修正那些与物体真实位置存在误差的预测边框，从而预测出精确到舱门轮廓的位置，为后续实现登机桥自动精准对接做了前期的准备工作。

Claims (2)

1.一种基于边缘检测的单阶段目标检测算法，包括以下步骤：
S1)机舱门数据集的获取和处理
采集至少600张真实机舱门的图片以及至少300张模型机舱门的图片，获得机舱门数据集D，并划分为训练集、验证集以及测试集；对所有图片中的机舱门进行边框标注、物体所属类别标注，获得目标检测任务的标签；同时对机舱门进行轮廓标注，获得边缘检测任务的标签；对训练集图像进行数据增强预处理，包括对图像进行旋转、平移、放缩、调整图像亮度以及对比度；
S2)建立目标检测网络模型
所述目标检测网络模型由不含全连接层的基础特征提取网络VGG-16、目标检测分支a、以及边缘检测分支b三部分组成；
具体地：
所述目标检测分支a连接在基础特征提取网络VGG-16后；所述目标检测分支a包含顺序连接的3×3卷积conv6、1×1卷积conv7、至少4个新增卷积层、以及检测器；
所述3×3卷积conv6采用带孔卷积的结构，通过设置扩张率参数，来改变扩张的尺寸；
所述新增卷积层为卷积核大小为3×3的卷积层；
将全部新增卷积层、1×1卷积conv7、以及基础特征提取网络VGG-16的conv4_3输出的不同尺度的特征图输入到检测器中进行预测，得到初始的物体边框坐标以及类别置信度的预测结果；再通过非极大值抑制得到最终的物体边框坐标以及类别置信度的预测结果；
所述边缘检测分支b连接在基础的特征提取网络VGG-16后；所述边缘检测分支b包含顺序连接的conv6网络层、Deconv6网络层、5个反池化层、以及sigmoid网络层，其中每个反池化层后接有一个3×3卷积层；
所述conv6网络层用于扩充基础特征提取网络VGG-16输出特征图的通道数；
所述Deconv6网络层用于减少特征图的通道数；
每个所述反池化层均用于扩大特征图的尺度为输入该反池化层的两倍，使得该层输出的特征图尺寸和基础特征提取网络VGG-16对应层输出的特征图大小相同；
所述sigmoid网络层用于将输入的通道数为1的特征图像素值归一化到0-1范围内，从而得到最终的机舱门边缘检测的预测结果；
S3)计算目标检测任务的损失以及边缘检测任务的损失
将数据集D中训练集的图片划分为若干个batch，并输入到目标检测网络模型中；分别计算目标检测任务的损失和边缘检测任务的损失，其中目标检测任务的损失包含类别置信度损失和物体边框坐标损失；
S4)反向传播更新网络参数
将步骤S3)得到的损失相加，并自适应的调整各个损失的权重，使得各任务的损失同步收敛；反向传播更新网络参数，得到多个训练好的预选目标检测网络模型；
S5)验证
将验证集的图片输入到预选目标检测网络模型中进行验证，选取预测结果最优的预选目标检测网络模型作为最终的目标检测网络模型；
S6)测试
将测试集的图片输入到最终的目标检测网络模型中进行检测，得到检测结果并计算检测精度。
2.如权利要求1所述一种基于边缘检测的单阶段目标检测算法，其特征在于，将所述不含全连接层的基础特征提取网络VGG-16的第五个最大池化层替换为窗口大小为3×3，步长为1的池化层。
CN202110675466.1A 2021-06-18 2021-06-18 基于边缘检测的单阶段目标检测方法 Expired - Fee Related CN113450321B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110675466.1A CN113450321B (zh) 2021-06-18 2021-06-18 基于边缘检测的单阶段目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110675466.1A CN113450321B (zh) 2021-06-18 2021-06-18 基于边缘检测的单阶段目标检测方法

Publications (2)

Publication Number Publication Date
CN113450321A CN113450321A (zh) 2021-09-28
CN113450321B true CN113450321B (zh) 2022-05-03

Family

ID=77811726

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110675466.1A Expired - Fee Related CN113450321B (zh) 2021-06-18 2021-06-18 基于边缘检测的单阶段目标检测方法

Country Status (1)

Country Link
CN (1) CN113450321B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115019022B (zh) * 2022-05-30 2024-04-30 电子科技大学 一种基于双深度融合网络的轮廓检测方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108960245A (zh) * 2018-07-13 2018-12-07 广东工业大学 轮胎模具字符的检测与识别方法、装置、设备及存储介质
CN109145713A (zh) * 2018-07-02 2019-01-04 南京师范大学 一种结合目标检测的小目标语义分割方法
CN110070536A (zh) * 2019-04-24 2019-07-30 南京邮电大学 一种基于深度学习的pcb板元器件检测方法
CN110148148A (zh) * 2019-03-01 2019-08-20 北京纵目安驰智能科技有限公司 一种基于目标检测的下边缘检测模型的训练方法、模型和存储介质
CN111126472A (zh) * 2019-12-18 2020-05-08 南京信息工程大学 一种基于ssd改进的目标检测方法
CN111915634A (zh) * 2020-08-05 2020-11-10 武汉伊特森科技有限公司 一种基于融合策略的目标物体边缘检测方法与系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110163834B (zh) * 2018-05-14 2023-08-25 腾讯科技（深圳）有限公司 对象识别方法和装置及存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109145713A (zh) * 2018-07-02 2019-01-04 南京师范大学 一种结合目标检测的小目标语义分割方法
CN108960245A (zh) * 2018-07-13 2018-12-07 广东工业大学 轮胎模具字符的检测与识别方法、装置、设备及存储介质
CN110148148A (zh) * 2019-03-01 2019-08-20 北京纵目安驰智能科技有限公司 一种基于目标检测的下边缘检测模型的训练方法、模型和存储介质
CN110070536A (zh) * 2019-04-24 2019-07-30 南京邮电大学 一种基于深度学习的pcb板元器件检测方法
CN111126472A (zh) * 2019-12-18 2020-05-08 南京信息工程大学 一种基于ssd改进的目标检测方法
CN111915634A (zh) * 2020-08-05 2020-11-10 武汉伊特森科技有限公司 一种基于融合策略的目标物体边缘检测方法与系统

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
Holistically-Nested Edge Detection;Saining Xie等;《2015 IEEE International Conference on Computer Vision》;20160218;第1396-1403页 *
Object Contour Detection with a Fully Convolutional Encoder-Decoder Network;Jimei Yang等;《2016 IEEE Conference on Computer Vision and Pattern Recognition》;20161212;第193-202页 *
基于改进HED的多尺度边缘检测方法;张晓闻等;《微电子学与计算机》;20210605;第38卷(第6期);第1-6页 *
基于计算机视觉的客机舱门识别与定位技术研究;叶润等;《计算机测量与控制》;20210325(第3期);第224-229页 *
自顶向下导引式特征融合的物体轮廓检测网络;马伟等;《https://kns.cnki.net/kcms/detail/11.2925.TP.20210519.1328.008.html》;20210519;第1-9页 *

Also Published As

Publication number Publication date
CN113450321A (zh) 2021-09-28

Similar Documents

Publication Publication Date Title
CN110033473B (zh) 基于模板匹配和深度分类网络的运动目标跟踪方法
CN113076871B (zh) 一种基于目标遮挡补偿的鱼群自动检测方法
CN111898406B (zh) 基于焦点损失和多任务级联的人脸检测方法
CN110163213B (zh) 基于视差图和多尺度深度网络模型的遥感图像分割方法
CN108537215A (zh) 一种基于图像目标检测的火焰检测方法
CN111401293B (zh) 一种基于Head轻量化Mask Scoring R-CNN的手势识别方法
CN111950453A (zh) 一种基于选择性注意力机制的任意形状文本识别方法
CN110796679B (zh) 一种面向航拍影像的目标跟踪方法
CN114758288B (zh) 一种配电网工程安全管控检测方法及装置
CN115393687A (zh) 一种基于双伪标签优化学习的rgb图像半监督目标检测方法
CN112200045A (zh) 基于上下文增强的遥感图像目标检测模型建立方法及应用
CN109886356A (zh) 一种基于三分支神经网络的目标追踪方法
CN112132005A (zh) 一种基于聚类分析与模型压缩的人脸检测方法
CN114677323A (zh) 一种室内动态场景下基于目标检测的语义视觉slam定位方法
CN111985325A (zh) 特高压环境评价中的航拍小目标快速识别方法
CN110659601A (zh) 基于中心点的深度全卷积网络遥感图像密集车辆检测方法
CN111723747A (zh) 一种应用于嵌入式平台轻量型高效率的目标检测方法
CN117333845A (zh) 一种基于改进YOLOv5s的小目标交通标志实时检测方法
CN116596966A (zh) 一种基于注意力和特征融合的分割与跟踪方法
CN113450321B (zh) 基于边缘检测的单阶段目标检测方法
CN114266805A (zh) 一种用于无人机目标跟踪的孪生区域建议网络模型
CN116665015B (zh) 一种基于YOLOv5的红外序列图像弱小目标检测方法
CN112069997B (zh) 一种基于DenseHR-Net的无人机自主着陆目标提取方法及装置
CN117911697A (zh) 基于大模型分割的高光谱目标跟踪方法、系统、介质和设备
CN112132839A (zh) 一种基于深度卷积级联网络的多尺度快速人脸分割方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220503

CF01 Termination of patent right due to non-payment of annual fee