公开(公告)号：CN111126472B

公开(公告)日：2023-07-25

申请号：CN201911308860.0

申请日：2019-12-18

Applicant: 南京信息工程大学

Inventor： 臧强 ,  曹春键 ,  胡凯 ,  朱庆浩

IPC: G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82 ,  G06V10/766 ,  G06N3/0464 ,  G06N3/084

Abstract: 本发明提供一种基于SSD改进的目标检测方法，该方法选用ResNet‑101代替VGG‑16作为整个模型的基础网络，提供了更加丰富的特征图信息；采用特征融合策略使得网络预测层的多尺度预测对小目标的检测效果有一定的提升；在分类分支增添SE‑block模块用于捕获特征图全局的环境信息，输出带有通道权重的特征图，使得分类更加精确；添加与分类预测层并行的Centerness层用来抑制低质量的边界框以此提升检测精度。本发明方法采用无锚框检测，避免了与锚框相关的所有超参，使用的预测边界框策略大大减少了超参数量，降低了网络设计复杂度，使得训练阶段变得十分简单。本发明方法的损失函数采用了focalloss函数，在保持检测速度的同时提高了模型检测精度。

公开(公告)号：CN111126472A

公开(公告)日：2020-05-08

申请号：CN201911308860.0

申请日：2019-12-18

Applicant: 南京信息工程大学

Inventor： 臧强 ,  曹春键 ,  胡凯 ,  朱庆浩

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提供一种基于SSD改进的目标检测方法，该方法选用ResNet-101代替VGG-16作为整个模型的基础网络，提供了更加丰富的特征图信息；采用特征融合策略使得网络预测层的多尺度预测对小目标的检测效果有一定的提升；在分类分支增添SE-block模块用于捕获特征图全局的环境信息，输出带有通道权重的特征图，使得分类更加精确；添加与分类预测层并行的Centerness层用来抑制低质量的边界框以此提升检测精度。本发明方法采用无锚框检测，避免了与锚框相关的所有超参，使用的预测边界框策略大大减少了超参数量，降低了网络设计复杂度，使得训练阶段变得十分简单。本发明方法的损失函数采用了focalloss函数，在保持检测速度的同时提高了模型检测精度。