CN113537242A - 一种基于密集反卷积及特定损失函数的小目标检测算法 - Google Patents
一种基于密集反卷积及特定损失函数的小目标检测算法 Download PDFInfo
- Publication number
- CN113537242A CN113537242A CN202110811476.3A CN202110811476A CN113537242A CN 113537242 A CN113537242 A CN 113537242A CN 202110811476 A CN202110811476 A CN 202110811476A CN 113537242 A CN113537242 A CN 113537242A
- Authority
- CN
- China
- Prior art keywords
- target
- function
- loss
- loss function
- deconvolution
- 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.)
- Pending
Links
Classifications
-
- 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
Abstract
本发明公开了一种基于密集反卷积及特定损失函数的小目标检测算法,步骤一:提取图像特征:提取多层卷积输出结果形成多特征图,并在多特征图上提取不同可视野的目标感兴趣区域,对提取的目标感兴趣区域进行特征连接;步骤二:使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数;步骤三:对原图进行语义分割,提取目标分割区域结果,通过在多特征图上提取不同可视野的目标感兴趣区域可以确定怒表区域,本发明的整个算法,精准性高,通过使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数,可以简化步骤,且能提高目标检测的稳定性。
Description
技术领域
本发明涉及一种反卷积技术领域,具体是一种基于密集反卷积及特定损失函数的小目标检测算法。
背景技术
反卷积是指通过测量输出和已知输入重构未知输入的过程;在统计学,统计决策理论和经济学中,损失函数是指一种将一个事件映射到一个表达与其事件相关的经济成本或机会成本的实数上的一种函数。更通俗地说,在统计学中损失函数是一种衡量损失和错误程度的函数。
目前对反卷积和损失函数的检测算法不够精准,且稳定性较差,且整个模型过于复杂,难以进行实现,为此本发明提供一种基于密集反卷积及特定损失函数的小目标检测算法。
发明内容
本发明的目的在于提供一种基于密集反卷积及特定损失函数的小目标检测算法,以解决上述背景技术中提出的问题。
为了解决上述技术问题,本发明提供了如下的技术方案:
本发明提供一种基于密集反卷积及特定损失函数的小目标检测算法,包括如下步骤:
步骤一:提取图像特征:提取多层卷积输出结果形成多特征图,并在多特征图上提取不同可视野的目标感兴趣区域,对提取的目标感兴趣区域进行特征连接;
步骤二:使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数;
步骤三:对原图进行语义分割,提取目标分割区域结果,并将目标检测结果和目标分割结果在全连接层中通过一定的比例系数进行多任务交叉辅助目标检测;
步骤四:将步骤三中的检侧数据发送至优化后的全卷积网络,得到预测矩形选择框,与验证数据集中的真实矩形选择框通过计算得到函数曲线下面积的平均值。
作为本发明的一种优选技术方案:所述提取图像特征是通过深度学习卷积神经网络架进行提取,所述深度学习卷积神经网络架为LeNet-5卷积神经网络架构。
作为本发明的一种优选技术方案:使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数;设定Si(xg,yg,ωg,hg)为目标的真实矩形选择框,xg,yg为中心点;设定S(x,y,ω,h)为目标的预测矩形选择框,x,y为中心点;其中,x,y为预测矩形选择框中心点坐标,ω和h为预测矩形选择框的宽和高;xg,yg为真实矩形选择框中心点坐标,ωg和hg为真实矩形选择框的宽和高。
作为本发明的一种优选技术方案:权重为W的网络通过最小损失函数L(W)进行优化,L(W)是正则化函数R(W)以及其余两项代价函数之和,每对损失函数都与网络中的一个专项检测通道相连。
本发明的有益效果是:通过在多特征图上提取不同可视野的目标感兴趣区域可以确定怒表区域,本发明的整个算法,精准性高,通过使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数,可以简化步骤,且能提高目标检测的稳定性。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例:本发明提供一种基于密集反卷积及特定损失函数的小目标检测算法,包括如下步骤:
步骤一:提取图像特征:提取多层卷积输出结果形成多特征图,并在多特征图上提取不同可视野的目标感兴趣区域,对提取的目标感兴趣区域进行特征连接;
步骤二:使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数;
步骤三:对原图进行语义分割,提取目标分割区域结果,并将目标检测结果和目标分割结果在全连接层中通过一定的比例系数进行多任务交叉辅助目标检测;
步骤四:将步骤三中的检侧数据发送至优化后的全卷积网络,得到预测矩形选择框,与验证数据集中的真实矩形选择框通过计算得到函数曲线下面积的平均值。
其中,所述提取图像特征是通过深度学习卷积神经网络架进行提取,所述深度学习卷积神经网络架为LeNet-5卷积神经网络架构。
其中,使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数;设定Si(xg,yg,ωg,hg)为目标的真实矩形选择框,xg,yg为中心点;设定S(x,y,ω,h)为目标的预测矩形选择框,x,y为中心点;其中,x,y为预测矩形选择框中心点坐标,ω和h为预测矩形选择框的宽和高;xg,yg为真实矩形选择框中心点坐标,ωg和hg为真实矩形选择框的宽和高。
其中,权重为W的网络通过最小损失函数L(W)进行优化,L(W)是正则化函数R(W)以及其余两项代价函数之和,每对损失函数都与网络中的一个专项检测通道相连。
通过在多特征图上提取不同可视野的目标感兴趣区域可以确定怒表区域,本发明的整个算法,精准性高,通过使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数,可以简化步骤,且能提高目标检测的稳定性。
在本发明的描述中,需要说明的是,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以通过具体情况理解上述术语在本发明中的具体含义。
上面对本专利的较佳实施方式作了详细说明,但是本专利并不限于上述实施方式,在本领域的普通技术人员所具备的知识范围内,还可以在不脱离本专利宗旨的前提下作出各种变化。
Claims (4)
1.一种基于密集反卷积及特定损失函数的小目标检测算法,其特征在于,包括如下步骤:
步骤一:提取图像特征:提取多层卷积输出结果形成多特征图,并在多特征图上提取不同可视野的目标感兴趣区域,对提取的目标感兴趣区域进行特征连接;
步骤二:使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数;
步骤三:对原图进行语义分割,提取目标分割区域结果,并将目标检测结果和目标分割结果在全连接层中通过一定的比例系数进行多任务交叉辅助目标检测;
步骤四:将步骤三中的检侧数据发送至优化后的全卷积网络,得到预测矩形选择框,与验证数据集中的真实矩形选择框通过计算得到函数曲线下面积的平均值。
2.根据权利要求1所述的一种基于密集反卷积及特定损失函数的小目标检测算法,其特征在于,所述提取图像特征是通过深度学习卷积神经网络架进行提取,所述深度学习卷积神经网络架为LeNet-5卷积神经网络架构。
3.根据权利要求1所述的一种基于密集反卷积及特定损失函数的小目标检测算法,其特征在于,使用独立损失函数的加权线性组合来优化产生综合损失值函数并通过训练最小化得到总体损失函数;设定Si(xg,yg,ωg,hg)为目标的真实矩形选择框,xg,yg为中心点;设定S(x,y,ω,h)为目标的预测矩形选择框,x,y为中心点;其中,x,y为预测矩形选择框中心点坐标,ω和h为预测矩形选择框的宽和高;xg,yg为真实矩形选择框中心点坐标,ωg和hg为真实矩形选择框的宽和高。
4.根据权利要求1所述的一种基于密集反卷积及特定损失函数的小目标检测算法,其特征在于,权重为W的网络通过最小损失函数L(W)进行优化,L(W)是正则化函数R(W)以及其余两项代价函数之和,每对损失函数都与网络中的一个专项检测通道相连。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110811476.3A CN113537242A (zh) | 2021-07-19 | 2021-07-19 | 一种基于密集反卷积及特定损失函数的小目标检测算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110811476.3A CN113537242A (zh) | 2021-07-19 | 2021-07-19 | 一种基于密集反卷积及特定损失函数的小目标检测算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113537242A true CN113537242A (zh) | 2021-10-22 |
Family
ID=78100090
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110811476.3A Pending CN113537242A (zh) | 2021-07-19 | 2021-07-19 | 一种基于密集反卷积及特定损失函数的小目标检测算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113537242A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886117A (zh) * | 2017-10-30 | 2018-04-06 | 国家新闻出版广电总局广播科学研究院 | 基于多特征提取和多任务融合的目标检测算法 |
CN110222712A (zh) * | 2019-04-30 | 2019-09-10 | 杰创智能科技股份有限公司 | 一种基于深度学习的多专项目标检测算法 |
CN111353440A (zh) * | 2019-12-30 | 2020-06-30 | 广西财经学院 | 一种目标检测方法 |
CN111368826A (zh) * | 2020-02-25 | 2020-07-03 | 安徽炬视科技有限公司 | 一种基于可变卷积核的明火检测算法 |
-
2021
- 2021-07-19 CN CN202110811476.3A patent/CN113537242A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107886117A (zh) * | 2017-10-30 | 2018-04-06 | 国家新闻出版广电总局广播科学研究院 | 基于多特征提取和多任务融合的目标检测算法 |
CN110222712A (zh) * | 2019-04-30 | 2019-09-10 | 杰创智能科技股份有限公司 | 一种基于深度学习的多专项目标检测算法 |
CN111353440A (zh) * | 2019-12-30 | 2020-06-30 | 广西财经学院 | 一种目标检测方法 |
CN111368826A (zh) * | 2020-02-25 | 2020-07-03 | 安徽炬视科技有限公司 | 一种基于可变卷积核的明火检测算法 |
Non-Patent Citations (1)
Title |
---|
张驰,等: "人工神经网络模型发展及应用综述", 《计算机工程与应用》, vol. 57, no. 11, pages 57 - 69 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106228528B (zh) | 一种基于决策图与稀疏表示的多聚焦图像融合方法 | |
CN112597985B (zh) | 一种基于多尺度特征融合的人群计数方法 | |
CN107274432B (zh) | 一种智能视频监控方法 | |
CN111709397B (zh) | 一种基于多头自注意力机制的无人机变尺寸目标检测方法 | |
CN110222769A (zh) | 一种基于YOLOV3-tiny的改进目标检测方法 | |
CN109492596B (zh) | 一种基于K-means聚类和区域推荐网络的行人检测方法及系统 | |
CN102982534B (zh) | 基于弦线切线法的Canny边缘检测双阈值获取方法 | |
CN107944437B (zh) | 一种基于神经网络和积分图像的人脸定位方法 | |
CN110533022A (zh) | 一种目标检测方法、系统、装置及存储介质 | |
CN111667461B (zh) | 一种输电线路异常目标检测方法 | |
CN103226825B (zh) | 基于低秩稀疏模型的遥感图像变化检测方法 | |
CN109389553A (zh) | 基于t样条的气象传真图等值线插值方法 | |
CN115272876A (zh) | 一种基于深度学习的遥感图像船舶目标检测方法 | |
CN107341449A (zh) | 一种基于云块特征变化的静止气象卫星降水估算方法 | |
CN105978733A (zh) | 一种基于韦布尔分布的网络流量建模方法和系统 | |
CN107392211A (zh) | 基于视觉稀疏认知的显著目标检测方法 | |
CN102737378B (zh) | 测地线活动轮廓分割图像的方法和系统 | |
CN113537242A (zh) | 一种基于密集反卷积及特定损失函数的小目标检测算法 | |
CN116823983A (zh) | 基于风格收集机制的一对多风格书法图片生成方法 | |
CN102542565B (zh) | 一种用于包含复杂地形遥感图像的误匹配点剔除方法 | |
CN116167456A (zh) | 一种基于编码对比和分类矫正的联邦学习方法 | |
CN114005075B (zh) | 一种光流估算模型的构建方法、装置及光流估算方法 | |
CN113012158B (zh) | 基于深度稠密网络与边缘距离图加权的图像协同分割方法 | |
CN111860332B (zh) | 基于多阈值级联检测器的双通道电力图零部件检测方法 | |
CN114943869A (zh) | 风格迁移增强的机场目标检测方法 |
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 |