(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210929028.8 (22)申请日 2022.08.03 (71)申请人 河南大学 地址 475001 河南省开封市顺河区明伦街 85号 (72)发明人 于俊洋　赵子明　王锦江　宋一鑫　 李绍华　马志峰　 (74)专利代理 机构 郑州大通专利商标代理有限 公司 41111 专利代理师 张立强 (51)Int.Cl. G06V 10/44(2022.01) G06V 10/82(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 基于多尺度特征自增强的改进SSD小目标检 测方法 (57)摘要 本发明公开一种基于多尺度特征自增强的 改进SSD小目标检测方法， 主要包括三个阶段， 在 第一阶段， 对输入图像的辅助特征提取操作补充 了特征层的细粒度信息， 以增强小物体的特征表 示； 在第二阶段， 聚合多个并行映射集成更有效 的信息来补充边缘特征并增强特征层之间的相 关性； 最后， 通过引入设计的特征自增强模块来 扩展网络以提高特征的自学习能力。 在PASCAL   VOC数据集上进行了综合实验， 实验结果表明， 本 发明构建的网络在小物体检测场景中具有较好 的检测效果。 权利要求书2页 说明书10页 附图4页 CN 115272700 A 2022.11.01 CN 115272700 A 1.一种基于多尺度特 征自增强的改进S SD小目标检测方法， 其特 征在于， 包括： 步骤1： 构建多尺度特征自增强网络， 所述多尺度特征自增 强网络采用SSD作为骨干网 络， 多尺度特征自增强网络包括多尺度辅助特征提取模块及特征自增强模块， 所述多尺度 辅助特征提取模块包括辅助特征提取和增强模块、 自适应特征融合模块， 所述特征自增强 模块由特 征自增强块和具有扩张卷积的特 征自增强块组成； 步骤2： 通过公开的已标注的图片数据集输入到多尺度特征自增强网络的SSD中， 得到6 个不同大小的有效特 征图； 步骤3： 将输入图像输入辅助特征提取和增强模块中， 与步骤1中的前3个大的有效特征 图进行融合得到 3个第一特 征图； 步骤4： 将步骤3得到的3个第一特征图输入自适应特征融合模块中得到3个第二特征 图； 步骤5： 将步骤2中得到的后3个大的有效特征图和步骤4得到的3个第二特征图输入到 特征自增强模块得到 6个第三特 征图； 步骤6： 基于步骤5中得到的第三特征图进行多尺度特征自增强网络训练， 得到训练好 的多尺度特 征自增强网络小目标检测模型； 步骤7： 基于训练好的多尺度特 征自增强网络小目标检测模型进行小目标检测。 2.根据权利要求1所述的基于多尺度特征自增强的改进SSD小目标检测方法， 其特征在 于， 所述步骤3中， 辅助特 征提取和 增强模块的处 理过程如下： 步骤31， 设输入图像为Fi， 对Fi进行不同尺度的最大池化操作得到三个特征图Mi， 其中i ∈{1， 2， 3}； 步骤32， 对Mi进行1×1卷积、 归一 化、 激活操作得到 Conv_1i； 步骤33， 对Conv_1i进行3×3卷积、 归一化、 激活操作得到Conv_2i， 该3×3卷积为扩张率 为3的空洞卷积； 步骤34， 对Co nv_2i进行1×1卷积、 归一 化、 激活操作得到 步骤35， 将三个特征图 与步骤2中的前3个大的有效特征图进行一一对应的特征融合 操作得到Ai， 其中i∈{1， 2， 3}； 步骤36， 对Ai进行3×3卷积、 归一化、 激活操作得到 其中i∈{1， 2， 3}， 该3 ×3卷积为 扩张率为3的空洞卷积。 3.根据权利要求2所述的基于多尺度特征自增强的改进SSD小目标检测方法， 其特征在 于， 所述步骤4中， 自适应特 征融合模块的处 理过程如下： 步骤41， 将 和 进行自适应特 征融合： 步骤411， 对 进行上采样， 然后再进行1 ×1卷积； 步骤412， 对 进行上采样， 然后再进行1 ×1卷积； 步骤413， 将 和步骤41 1和步骤412得到的特 征图进行融合得到D ′1； 步骤42， 将 和 进行自适应特 征融合： 步骤421， 对 进行自适应最大池化操作， 然后再进行1 ×1卷积； 步骤422， 对 进行上采样， 然后再进行1 ×1卷积； 步骤423， 将 和步骤421和步骤42 2得到的特 征图进行融合得到D ′2；权　利　要　求　书 1/2 页 2 CN 115272700 A 2步骤43， 将 和 进行自适应特 征融合： 步骤431， 对 进行自适应最大池化操作， 然后再进行1 ×1卷积； 步骤432， 对 进行自适应最大池化操作， 然后再进行1 ×1卷积； 步骤433， 对 和步骤431和步骤3 32得到的特 征图进行融合得到D ′3； 步骤44， 将步骤413、 步骤423和步骤433得到的D ′1、 D′2、 D′3进行3×3卷积、 归一化、 激 活 操作得到Di， 其中i∈{1， 2， 3}。 4.根据权利要求1所述的基于多尺度特征自增强的改进SSD小目标检测方法， 其特征在 于， 所述自适应特 征融合模块中引入了 权重因子且可以参与网络训练来更新权值： 式中 其中L表示梯度曲面函数； 为第k层的第i个神经元的值； 表示第k层第i个神经元的 偏置； 为第k‑1层第j个神经元到第k层第i个神经元的权重， 且 ε 为一个极小值； l表示从1到n之间的任一整数。 5.根据权利要求3所述的基于多尺度特征自增强的改进SSD小目标检测方法， 其特征在 于， 所述步骤5中， 所述 步骤5包括： 步骤51， 将步骤4 4得到的Di输入多个连续的具有扩张卷积的特 征自增强块中； 步骤511， 对Di进行1×1卷积、 归一 化、 激活操作； 步骤512， 对步骤511得到 的特征图进行3 ×3卷积、 归一化、 激活操作， 该3 ×3卷积为扩 张率为k的空洞卷积， k 为当前迭代次数， 其中k∈{1， 2 …n}； 步骤513， 对步骤512得到的特 征图进行1 ×1卷积、 归一 化、 激活操作； 步骤514， 重复步骤51 1至步骤513操作n次； 步骤515， 对步骤514得到的特 征进行激活操作得到Bi； 步骤52， 将步骤2中得到的后3个大的有效特征图输入多个连续的特征自增 强块中， 将 后3个大的有效特 征图定义 为Dj， j∈{1， 2， 3}； 步骤521， 对Dj进行1×1卷积、 归一 化、 激活操作； 步骤522， 对步骤521得到的特 征图进行3 ×3卷积、 归一 化、 激活操作； 步骤523， 对步骤52 2得到的特 征图进行1 ×1卷积、 归一 化、 激活操作； 步骤524， 重复步骤521至步骤523操作n次； 步骤525， 对步骤524得到的特 征进行激活操作得到Bj。权　利　要　求　书 2/2 页 3 CN 115272700 A 3