欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2021109302454
申请人: 湖北工业大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于中心点回归的深度学习目标检测方法,其特征在于,包括以下具体步骤:

在原CenterNet网络结构上引入水平连接模块将不同层之间的特征进行关联,融合了深层特征和浅层特征,以提高小目标检测性能;

在水平连接模块中引入通道注意力模块,对不同通道间的特征响应进行自适应校准,改善了网络的特征提取能力;

最后在UCAS‑AOD和RSOD公共遥感数据集上进行对比实验;

所述水平连接模块为Feature Fusion模块,即特征融合模块,Feature Fusion模块包括C‑CenterNet和T‑CenterNet,其中C‑CenteNet经过一个标准1×1卷积使融合前的特征层具有相同的空间大小,T‑CenterNet将C‑CenterNet中的标准卷积换成空洞卷积进行测试,由于不同图层中的每个特征值具有不同的比例,在卷积之后需经过批量归一化和Relu激活处理;

在水平连接模块中引入通道注意力模块具体为,在C‑CenteNet的标准1×1卷积前引入通道注意力模块,在T‑CenterNet的空洞卷积前引入通道注意力模块,所述通道注意力模块为挤压‑激励注意力模块SE‑Net,所述挤压‑激励注意力模块首先对输入通道数为C的H×W的特征图进行挤压Squeeze操作,得到通道数为C的1×1的特征图,然后将得到的特征图进行激发Excitation操作,得到各通道之间的权重值,最后通过Scale操作将原特征图乘以对应通道的权重得到新的特征图,完成包含有效信息通道的更新和无用信息通道的抑制。

2.根据权利要求1所述的一种基于中心点回归的深度学习目标检测方法,其特征在于,在UCAS‑AOD和RSOD公共遥感数据集上进行对比实验,对比实验过程对数据集样本随机选取图片作为训练集,保持训练、测试集比为9:1,实验中取下采样率R为4,并使用Adam优化器进行迭代训练,将输入图像统一缩放到分辨率为512×512,训练过程中的初始学习率为1e‑3,batch_size为4,训练50个epoch后,将学习率下降10倍,batch_size设为4,再训练50个epoch,此外,为了加快收敛速度,训练过程中对基于ResNet‑50的backbone使用ImageNet分类任务中得到的预训练权重。

3.根据权利要求2所述的一种基于中心点回归的深度学习目标检测方法,其特征在于,为验证基于中心点回归的深度学习目标检测方法的检测性能,在相同实验平台和训练数据集的条件下,对不同检测网络性能进行训练和对比测试,对比包含单阶段和两阶段目标检测算法,得到测试结果。