公开(公告)号：CN113128558A

公开(公告)日：2021-07-16

申请号：CN202110266707.7

申请日：2021-03-11

Applicant: 重庆邮电大学

Inventor： 陈乔松 ,  周丽 ,  边愿愿 ,  刘宇 ,  张珺函 ,  宗冕

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明请求保护一种基于浅层空间特征融合与自适应通道筛选的目标检测方法，包括如下步骤：获取数据集，选取并划分目标检测任务所需的训练集和验证集；对训练集图像进行数据增强，分别对训练集图像和验证集图像中的样本图像进行数据增强；数据输入基于Pytorch开源深度学习框架设计的卷积神经网络中；输出图像中可能存在的目标的位置与类别信息；计算网络模型的输出信息与对应标注信息的损失，训练并优化检测模型；利用优化后的模型参数，检测真实场景图像中是否存在目标，得到相应的目标检测框。本发明采用浅层空间特征融合的方式，提升网络的特征提取能力，实现了端到端的目标检测方法。

公开(公告)号：CN113128558B

公开(公告)日：2022-07-19

申请号：CN202110266707.7

申请日：2021-03-11

Applicant: 重庆邮电大学

Inventor： 陈乔松 ,  周丽 ,  边愿愿 ,  刘宇 ,  张珺函 ,  宗冕

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08 ,  G06V10/764 ,  G06V10/774 ,  G06V10/80 ,  G06V10/82

Abstract: 本发明请求保护一种基于浅层空间特征融合与自适应通道筛选的目标检测方法，包括如下步骤：获取数据集，选取并划分目标检测任务所需的训练集和验证集；对训练集图像进行数据增强，分别对训练集图像和验证集图像中的样本图像进行数据增强；数据输入基于Pytorch开源深度学习框架设计的卷积神经网络中；输出图像中可能存在的目标的位置与类别信息；计算网络模型的输出信息与对应标注信息的损失，训练并优化检测模型；利用优化后的模型参数，检测真实场景图像中是否存在目标，得到相应的目标检测框。本发明采用浅层空间特征融合的方式，提升网络的特征提取能力，实现了端到端的目标检测方法。