申请/专利权人：东南大学

申请日：2022-07-01

公开（公告）日：2024-07-05

公开（公告）号：CN115049848B

主分类号：G06V10/44

分类号：G06V10/44;G06V10/766;G06V10/82;G06N3/0464;G06N3/047;G06N3/045

优先权：

专利状态码：有效-授权

法律状态：2024.07.05#授权;2022.09.30#实质审查的生效;2022.09.13#公开

摘要：本发明公开了一种基于深度学习的通用椭圆目标检测方法，该方法包括：构建通用椭圆目标检测器；建立基于Anchor‑free目标检测的卷积神经网络结构；使用通用椭圆目标检测数据集训练建立好的卷积神经网络的参数；将待检测图片输入到训练好的卷积神经网络中检测，输出检测结果图。本发明通过Anchor‑free目标检测卷积神经网络能够实现自动、准确地对任意椭圆目标进行检测和定位。

主权项：1.一种基于深度学习的通用椭圆目标检测方法，其特征在于，该方法包括以下步骤：步骤1构建通用椭圆目标检测数据集；步骤2建立基于Anchor-free目标检测的卷积神经网络结构；所述步骤2中建立的基于Anchor-free目标检测的卷积神经网络结构中，我们使用灰度化和拉普拉斯算子的边缘提取作为数据增强方式，使得模型更加关注目标的形状信息；在角度参数回归的损失函数上增加了基于长短轴比值的权重，解决了长短轴比值对角度回归精度的不利影响；在损失函数设计上使用了二维高斯分布的Wasserstein距离来计算真实边界框和预测边界框的相似度，作为损失函数的一部分，提高模型回归精度；同时使用了二值掩膜预测分支，基于多任务学习的硬参数分享的思想，能够进一步优化模型参数，提高回归精度；所述步骤2中：在图片输入到模型网络之前，首先将图片尺寸统一化为512*512，再按照概率p进行灰度化和3*3的拉普拉斯算子边缘提取的数据增强，然后输入到模型的骨干网络DLA-34中进行特征提取，其下采样倍率为4，即输出特征图尺寸为输入图尺寸的14，即128*128，获取的特征的特征图再分别五条并行的输出头，分别预测目标的中心点坐标热图、长短轴、偏移量、旋转角度以及二值掩膜图；在中心点坐标热图回归中，使用FocalLoss作为训练时的损失函数进行参数优化，计算公式如下： 其中xyc表示其在特征图中的坐标，α和β是两个超参数，N是关键点数量，Yxyc表示真实标签，表示预测值；真实标签使用高斯核计算，即中心点值为1，越远离中心点值越小；将输出头输出的128*128的中心点坐标热图先通过非极大抑制获取局部最大值，再根据预测分数的大小，选出最大的K个点作为预测目标的中心点；在长短轴回归和偏移量回归中，均使用smooth-L1Loss作为训练时的损失函数进行参数优化，计算公式如下： 其输出头输出的是K组长短轴和偏移量；偏移量是用来解决模型在下采样过程中所带来的精度损失；在旋转角度回归中，也使用了smooth-L1Loss作为训练时的损失函数进行参数优化；在此基础上，本模型使用了基于长短轴比值的权重，在损失计算时与角度损失函数相；具体实现为，给定一个阈值，当目标预测长短轴的比值大于该阈值时，将权重置为2，否则权重置为1；从而使模型重视扁长形椭圆目标的旋转角度回归精度，整体计算公式如下： 其中，wθ为基于长短轴比值的权重，R为长短轴比值的阈值，θp为旋转角度的预测值，θg为旋转角度的真实值；在二值掩膜预测中，使用二值交叉熵作为损失函数进行参数优化，其真实标签是根据椭圆目标五参数的真实标签变换到14原尺寸而绘制的一系列椭圆掩膜；其输出头输出的特征图为128*128，每个点的值为1或0，1表示目标区域，0表示非目标背景区域；该分支不直接参与椭圆参数的回归，而是基于多任务学习的硬参数分享对模型参数进一步优化，间接提高检测精度；此外在损失函数计算中，本模型还增加了基于二维高斯分布的Wasserstein距离的损失函数；二维高斯分布的由均值和协方差来表示，对于椭圆参数到二维高斯分布的转换，首先均值等于中心点的横纵坐标，协方差矩阵可通过椭圆的长短轴以及旋转角度来表示，具体计算方法如下：μ＝[x,y] 其中，μ和Σ表示二维高斯分布的均值和协方差，x和y是椭圆中心点横纵坐标，a和b是椭圆长短轴，θ是椭圆旋转角度；之后通过Wasserstein距离计算真实边界框与预测边界框的拟合程度，计算公式如下： 其中μ1，Σ1和μ2，Σ2分别为预测值和真实值的二维高斯分布的均值和协方差矩阵步骤3使用通用椭圆目标检测数据集训练建立好的卷积神经网络的参数；步骤4将待检测图片输入到训练好的卷积神经网络中检测，输出检测结果图。

全文数据：

权利要求：

百度查询： 东南大学 一种基于深度学习的通用椭圆目标检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD